一家水果加工商需要一个分类器，将苹果分为三个品种。他们每个类别有150张带标签的图像，并使用ImageNet预训练网络应用了迁移学习。经过调优后，最佳结果是：训练准确率为68%，验证准确率为67%。专家应采取什么措施来提高准确性？

训练准确率68%和验证准确率67%非常接近，这表明模型存在高偏差（欠拟合），而不是高方差（过拟合）。高偏差意味着模型未能从数据中学习到足够复杂的模式。解决高偏差最有效的方法是增加训练数据量，因为更多的样本可以帮助模型更好地泛化并学习到更复杂的特征。 其他选项： 自动化超参数优化（HPO）主要用于在高方差或模型性能不佳时寻找更好的模型配置，但对于高偏差问题，它通常无法显著提高性能。 切换到更深的预训练网络可能会增加模型复杂度，但如果数据量不足，可能会导致过拟合或训练困难，无助于解决高偏差。 使用完全相同的网络架构和数据集重新训练一个新模型不会改变根本问题，因为数据量和模型复杂度没有变化。