Uma empresa de saúde treina uma rede neural para classificar raios-X como normais ou anormais. O conjunto de dados contém 1.000 imagens de treinamento rotuladas e 200 imagens de teste. Uma rede com 50 camadas ocultas atinge 99% de precisão no conjunto de treinamento, mas apenas 55% de precisão no conjunto de teste. Quais das seguintes mudanças o especialista deve considerar para resolver esse problema? (Escolha três.)

A alta precisão no conjunto de treinamento (99%) e baixa precisão no conjunto de teste (55%) indicam overfitting. Reduzir o número de camadas ocultas simplifica o modelo, diminuindo sua capacidade de memorizar o ruído dos dados de treinamento. Habilitar a regularização de dropout desativa aleatoriamente neurônios durante o treinamento, forçando a rede a aprender representações mais robustas e generalizáveis. Habilitar a parada antecipada interrompe o treinamento quando o desempenho no conjunto de validação (ou teste, se usado com cautela) começa a piorar, prevenindo o overfitting. Aumentar camadas ocultas agravaria o overfitting. Usar uma taxa de aprendizado menor pode ajudar, mas não é a principal causa do overfitting neste cenário. Incluir imagens de teste no treinamento contamina o conjunto de teste, invalidando a avaliação do modelo.