O desempenho de validação de uma rede neural simples melhora inicialmente, mas depois piora após um certo número de épocas. Quais das seguintes alterações ajudariam a evitar essa degradação? (Escolha duas.)

A degradação do desempenho de validação após um certo número de épocas é um sinal clássico de overfitting. Habilitar a parada antecipada (early stopping) é uma técnica eficaz para combater o overfitting. Ela monitora o desempenho do modelo em um conjunto de validação e interrompe o treinamento quando o desempenho para de melhorar ou começa a piorar, salvando o modelo com o melhor desempenho. Aumentar as taxas de dropout nas camadas da rede também ajuda a reduzir o overfitting. O dropout desativa aleatoriamente uma porcentagem de neurônios durante o treinamento, forçando a rede a aprender representações mais robustas e menos dependentes de neurônios específicos. Adicionar mais camadas ou aumentar o número de neurônios por camada geralmente aumenta a capacidade do modelo, tornando-o mais propenso ao overfitting, não menos. Investigar e mitigar o viés do modelo é importante para a justiça e precisão geral, mas não aborda diretamente o problema de overfitting manifestado pela degradação do desempenho de validação.