En apprentissage automatique et en prompt engineering, l’underfitting est un phénomène courant qui peut limiter les performances de vos modèles. Qu’est-ce que l’underfitting ? C’est lorsque votre modèle est trop simple pour capturer la complexité des données d’entraînement, ce qui entraîne de mauvaises performances à la fois sur les données d’entraînement et sur les données de test.
Comment fonctionne l’Underfitting ?
Imaginez que vous essayez d’apprendre à un enfant à reconnaître des formes géométriques uniquement en lui montrant des carrés. L’enfant pourrait conclure que toutes les formes à quatre côtés sont des carrés. Lorsqu’il rencontrera un rectangle ou un losange, il le classera incorrectement comme un carré. De la même manière, un modèle en underfitting est trop simpliste et ne parvient pas à généraliser correctement à de nouvelles données. Il a appris les données d’entraînement de manière trop superficielle. En prompt engineering, cela se traduit par des prompts trop génériques qui ne guident pas le modèle vers la réponse souhaitée.
Pourquoi l’Underfitting est-il important ?
L’underfitting est un problème car il signifie que votre modèle n’apprend pas efficacement à partir des données. En conséquence, les prédictions du modèle seront imprécises, même sur les données qu’il a déjà vues. En prompt engineering, un modèle en underfitting peut générer des réponses hors sujet ou trop générales, ne répondant pas à la spécificité de votre requête. Par exemple, si vous demandez à un modèle de générer une histoire sur un chat et un chien qui deviennent amis et que le prompt est trop vague, le modèle peut générer une histoire générique sur l’amitié sans intégrer les éléments spécifiques du chat et du chien.