欠拟合
Parent: ai_keywords
核心定义
欠拟合（Underfitting） 指机器学习模型在训练数据上无法充分捕捉底层规律，导致训练误差与验证误差均较高的现象。其本质是模型复杂度不足、特征表达能力弱或训练迭代不充分，无法拟合数据的真实分布。与过拟合相反，欠拟合通常源于 高偏差 与 低方差，表现为模型过于简单（如线性模型拟合非线性问题）。
关键技术点
-
模型复杂度匹配
欠拟合常因模型容量不足（如决策树深度过浅、神经网络层数过少）而无法学习复杂映射。需通过增加参数数量、提升多项式阶数或引入核方法增强表达能力。 -
特征工程缺失
原始特征与目标变量间若存在强非线性关系，缺乏交叉项、降维后的有效组合或领域知识嵌入时，模型极易欠拟合。例如仅使用单一脑电图（EEG）频段特征预测癫痫发作。 -
正则化过度
L1/L2正则化系数过大将强制参数接近零，抑制模型学习能力。需通过交叉验证平衡正则化强度，避免因惩罚过度导致欠拟合。 -
训练不足与停滞
学习率过低、迭代次数不足或优化器（如SGD）陷入局部平坦区，使模型尚未收敛即终止训练。可通过学习率调度、早停机制反向判断。 -
偏差—方差权衡失效
欠拟合本质是偏差主导状态，需通过增加模型复杂度、降低约束（如去除正则项）来降低偏差，同时监控方差增幅以避免转向过拟合。
医学/神经科学应用场景
脑电信号解码中的欠拟合问题 —— 以首都医科大学神经病学研究为例
在首都医科大学附属宣武医院开展的 癫痫发作预测 研究中，团队使用20名患者的脑电（EEG）时间序列数据，提取功率谱密度（PSD）及互信息特征，构建 逻辑回归 模型实现发作前状态分类。结果显示：
- 训练集AUC仅0.65，验证集AUC 0.63，提示 欠拟合。
- 原因分析：逻辑回归为线性决策边界，无法表征EEG中发作前的高维非线性同步模式（如γ频段跨通道相位锁定值变化）。仅依赖PSD单一特征，丢失了时空耦合信息。
解决方案：
替换为 3层卷积神经网络（CNN），在脑电时频图输入基础上增加通道注意力机制，将验证AUC提升至0.91。同时引入 谱图小波变换 特征，进一步缓解欠拟合，使模型在临床上达到87%的发作检出率（2.3次/24h误报）。
该案例表明：神经信号处理中，忽视生理机制的非线性、非平稳特性而采用过度简化的模型，是医学AI系统欠拟合的典型根源。
