Ein Hersteller hat 8 Fehlerklassen und stellte ~100.000 Bilder pro Klasse zur Verfügung. Während des Trainings erreicht das Modell eine Trainingsgenauigkeit von 90 %, aber nur eine Validierungsgenauigkeit von 80 %, während die menschliche Leistung bei ~90 % liegt. Was sollten Sie untersuchen, um diese Lücke zu schließen?

Die Diskrepanz zwischen hoher Trainingsgenauigkeit (90 %) und niedriger Validierungsgenauigkeit (80 %) bei gleichzeitig guter menschlicher Leistung (90 %) deutet auf Overfitting hin. Das Modell hat die Trainingsdaten zu stark auswendig gelernt und generalisiert schlecht auf neue, ungesehene Daten. Regularisierungstechniken wie Dropout, L1/L2-Regularisierung oder Datenaugmentation helfen, Overfitting zu reduzieren, indem sie die Komplexität des Modells einschränken oder die Trainingsdaten variieren. Länger zu trainieren würde Overfitting wahrscheinlich verschlimmern. Eine erhöhte Netzwerkkapazität würde das Problem ebenfalls verschärfen, da ein größeres Modell noch anfälliger für Overfitting ist. Ein anderer Optimierer würde das Problem des Overfittings nicht direkt lösen.