Fogalomtár › Tanítás és adat

alulillesztés

angolul: underfitting

Az alulillesztés azt jelenti, hogy egy MI-modell túl egyszerű vagy túl keveset tanult, ezért még a tanítóadatok alapvető összefüggéseit sem ismeri fel.

Érthetően

Képzeld el a diákot, aki a történelemvizsgára csak annyit jegyzett meg, hogy „a háborúk rosszak”. Ez igaz, de egyetlen konkrét kérdésre sem tud vele válaszolni. Az alulillesztett modell ugyanilyen: annyira leegyszerűsítve látja a világot, hogy a lényeg is kimarad belőle.

A gépi tanulásban a modell példákból tanul meg mintázatokat. Alulillesztésnél ez a tanulás nem sikerül: a modell azokon a példákon is rosszul teljesít, amelyeken tanították, és az új, ismeretlen eseteken is.

Az ellentéte a túlillesztés, amikor a modell bemagolja a tananyagot, de új helyzetben elbukik. A jó modell a kettő között van: megérti a szabályt, és nem ragad le az egyes példák részleteinél.

Hogyan működik

1. A fejlesztők az adatokat legalább két részre osztják: az egyiken tanul a modell, a másikon csak vizsgázik.
2. Tanítás közben mérik a hibát mindkét részen. Ha a modell már a tanítóadatokon is sokat téved, az az alulillesztés jele.
3. Az ok többnyire a következők egyike: a modell túl egyszerű a feladathoz, túl rövid ideig tanították, túl szigorúan korlátozták, vagy az adatokból hiányzik a lényeges információ.
4. A javítás ennek megfelelő: nagyobb vagy rugalmasabb modell, hosszabb tanítás, több és beszédesebb bemenő adat, esetleg a túl szigorú korlátozások lazítása.
5. Közben figyelni kell, hogy a modell ne essen át a másik végletbe, a túlillesztésbe.

Példa a mindennapokból

Kit érint

Gyakori félreértés

Korlátok és kockázatok

• A gyenge teljesítmény oka nem mindig az alulillesztés: lehet rossz minőségű, hibásan címkézett vagy kevés adat is, és ilyenkor a nagyobb modell nem segít.
• Ha az adatokban nincs benne a lényeges információ, akkor sem hosszabb tanítás, sem bonyolultabb modell nem hozza ki belőlük.
• Az alulillesztés javítása közben könnyű átesni a túlillesztésbe, ezért mindig külön, a tanításból kihagyott adatokon is mérni kell.
• Felhasználóként nem látod, hogy egy szolgáltatás modellje alulillesztett-e, csak azt, hogy a válaszai sablonosak és pontatlanok.

Hasonló, de nem ugyanaz

• túlillesztés – A túlillesztett modell a tanítóadatokon kiváló és az újakon gyenge, az alulillesztett mindkettőn gyenge.
• torzítás (bias) – A statisztikai torzítás a hibának az a része, amely a modell túl egyszerű feltevéseiből ered. Az alulillesztett modellre a nagy torzítás jellemző, de a torzítás csak hibaösszetevő, nem maga a jelenség. Nem tévesztendő össze a társadalmi értelemben vett elfogultsággal sem.
• hallucináció – A hallucináció magabiztosan előadott, kitalált állítás egy nyelvi modelltől, az alulillesztés viszont a tanulás általános elégtelensége.

Kapcsolódó fogalmak

Röviden a története

A fogalom a statisztikai görbeillesztésből került át a gépi tanulásba. A mögötte álló torzítás–variancia dilemmát neurális hálókra Stuart Geman, Elie Bienenstock és René Doursat 1992-es tanulmánya tette közismertté.

Hol tart most

2026 végén a gépi tanulás alapfogalma, minden bevezető tananyag tárgyalja. A mai nagy modelleknél a túl kis kapacitás miatti alulillesztés ritka, de kis modelleknél, túl rövid tanításnál vagy finomhangolásnál, túl erős regularizációnál és kevés információt hordozó adatoknál továbbra is előfordul.

Állapot: 2026. november

Más nevei

alulillesztés · alultanulás · alultanítás · alulillesztett modell · underfitting · underfit · under-fitting · high bias

Források

• Wikipedia: Overfitting (az Underfitting szakasszal)
• Wikipedia: Bias–variance tradeoff

A szócikk gépi szerkesztéssel készült és gépi szakmai lektoráláson ment át; a „hírekben” rész az Agent Age sztorijaiból automatikusan frissül.