Você treinou um modelo de classificação de imagens e vê sinais de overfitting: 99% de acurácia de treinamento, mas apenas 75% de acurácia de teste. Que mudança você deve fazer e por quê?

Aumentar a taxa de dropout na camada flatten é a ação correta porque o overfitting ocorre quando o modelo aprende demais os dados de treinamento, incluindo ruídos, e não consegue generalizar para novos dados. O dropout desativa aleatoriamente um percentual de neurônios durante o treinamento, forçando o modelo a aprender representações mais robustas e menos dependentes de neurônios específicos, melhorando a capacidade de generalização. Aumentar a taxa de aprendizado pode fazer o treinamento divergir ou pular o mínimo, não resolvendo o overfitting. Aumentar a dimensionalidade da camada densa adicionaria mais parâmetros, tornando o modelo ainda mais propenso ao overfitting. Aumentar o número de épocas em um modelo já com overfitting apenas intensificaria o problema, pois o modelo continuaria a memorizar os dados de treinamento.