Die Validierungsleistung eines einfachen neuronalen Netzes verbessert sich zunächst, verschlechtert sich dann aber nach einer bestimmten Anzahl von Epochen. Welche der folgenden Änderungen würde dazu beitragen, diese Verschlechterung zu verhindern? (Wählen Sie zwei.)

Die beschriebene Verschlechterung der Validierungsleistung nach einer anfänglichen Verbesserung ist ein klassisches Anzeichen von Overfitting. 1. Aktivieren Sie Early Stopping, um das Training zu beenden, wenn sich die Validierungsleistung nicht mehr verbessert: Early Stopping ist eine effektive Regularisierungstechnik, die das Training stoppt, sobald die Validierungsleistung über eine bestimmte Anzahl von Epochen hinweg nicht mehr zunimmt oder sich sogar verschlechtert. Dies verhindert, dass das Modell beginnt, das Trainingsrauschen zu lernen und somit auf den Validierungsdaten schlechter abschneidet. 2. Erhöhen Sie die Dropout-Raten in den Netzwerkschichten, um Overfitting zu reduzieren: Dropout ist eine weitere Regularisierungsmethode, bei der während des Trainings zufällig eine bestimmte Anzahl von Neuronen in jeder Schicht deaktiviert wird. Dies zwingt das Netzwerk, robustere Merkmale zu lernen und reduziert die Abhängigkeit von einzelnen Neuronen, was Overfitting entgegenwirkt. Das Hinzufügen weiterer Schichten oder Neuronen würde die Modellkomplexität erhöhen und das Overfitting-Problem wahrscheinlich verschärfen. Die Minderung von Modellverzerrungen (Model Bias) ist zwar wichtig, adressiert aber nicht direkt das Overfitting, das hier das Hauptproblem der Validierungsleistung ist.