Uma empresa de web treina um modelo de deep learning multiclasse e observa 90% de acurácia nos dados de treinamento, mas apenas 70% nos dados de teste (overfitting). Para maximizar a acurácia nos conjuntos de validação e teste antes da implantação, qual ação tem maior probabilidade de ajudar o modelo a generalizar melhor?

O overfitting ocorre quando um modelo aprende demais os detalhes e o ruído dos dados de treinamento, prejudicando sua capacidade de generalizar para novos dados. Adicionar regularização L1 ou L2 penaliza pesos grandes, incentivando um modelo mais simples. O dropout, por sua vez, desativa aleatoriamente neurônios durante o treinamento, forçando a rede a aprender representações mais robustas e menos dependentes de neurônios específicos. Ambas as técnicas são eficazes para combater o overfitting e melhorar a generalização. Aumentar a aleatoriedade dos mini-batches ajuda na convergência, mas não combate diretamente o overfitting. Alocar mais dados para treinamento pode piorar o overfitting se o modelo já estiver memorizando os dados existentes. Reduzir o tamanho da rede pode levar a underfitting se a capacidade do modelo se tornar insuficiente para aprender os padrões.