Um processador de frutas precisa de um classificador para categorizar maçãs em três variedades. Eles têm 150 imagens rotuladas por classe e aplicaram aprendizado por transferência usando uma rede pré-treinada no ImageNet. Após o ajuste, os melhores resultados foram: 68% de acurácia de treinamento e 67% de acurácia de validação. Que ação o especialista deve tomar para melhorar a acurácia?

A baixa acurácia de treinamento (68%) e de validação (67%) sugere um problema de alto viés (underfitting). O modelo não está aprendendo bem os padrões dos dados, mesmo com aprendizado por transferência. Coletar mais imagens rotuladas e retreinar o modelo é a ação mais eficaz para reduzir o viés, pois fornece mais exemplos para o modelo aprender as características das diferentes variedades de maçã. Otimização de hiperparâmetros (HPO) pode ajudar, mas é menos provável que resolva um problema de alto viés tão pronunciado por si só. Mudar para uma rede mais profunda pode aumentar a variância (overfitting), o que não é o problema principal aqui. Retreinar com a mesma arquitetura e conjunto de dados não resolverá o problema de viés.