Uma seguradora treinou um modelo de detecção de objetos (TensorFlow) integrado do Amazon SageMaker para encontrar arranhões e amassados em fotos de carros. O modelo apresenta desempenho muito melhor no conjunto de treinamento do que no conjunto de testes. Qual ação é a mais apropriada para melhorar o desempenho do modelo nos dados de teste (validação)?

O cenário descrito, com o modelo tendo um desempenho muito melhor no conjunto de treinamento do que no conjunto de testes, indica overfitting (sobreajuste). O modelo aprendeu os dados de treinamento tão bem que não consegue generalizar para dados novos e não vistos. Aumentar o hiperparâmetro L2 (decaimento de peso) é uma técnica de regularização eficaz para combater o overfitting. O decaimento de peso adiciona um termo de penalidade à função de perda que é proporcional ao quadrado da magnitude dos pesos. Isso incentiva o modelo a usar pesos menores, tornando-o menos complexo e, portanto, menos propenso a se ajustar demais aos dados de treinamento. As outras opções são menos apropriadas: Aumentar o momentum geralmente acelera o treinamento, mas não aborda diretamente o overfitting. Reduzir o dropoutrate diminuiria a regularização, o que pioraria o overfitting. Reduzir o learningrate pode ajudar na convergência, mas não é a principal estratégia para combater o overfitting.