Ein Modell, das mit etwa 10.000 kontrollierten Bildern trainiert wurde, passt gut zum Trainingsdatensatz, liefert aber bei ungesehenen Testbildern schlechte Ergebnisse (der Trainingsfehler nimmt mit den Epochen ab, während der Testfehler hoch bleibt). Welche Maßnahmen helfen, dieses Problem zu beheben? (Wählen Sie zwei.)

Das Problem beschreibt Overfitting, bei dem das Modell die Trainingsdaten auswendig lernt, aber nicht gut auf neue Daten generalisiert. Datenaugmentation (Data Augmentation) hilft, Overfitting zu reduzieren, indem die Größe und Vielfalt des Trainingsdatensatzes künstlich erhöht wird. Durch Transformationen wie Rotation, Skalierung oder Spiegelung entstehen neue Trainingsbeispiele, die dem Modell helfen, robustere Merkmale zu lernen und besser zu generalisieren. L2-Regularisierung (Gewichtsregularisierung) fügt eine Straffunktion zur Verlustfunktion hinzu, die große Gewichte bestraft. Dies zwingt das Modell, kleinere Gewichte zu verwenden, was die Modellkomplexität reduziert und verhindert, dass das Modell zu stark auf einzelne Trainingsbeispiele reagiert, wodurch die Generalisierungsfähigkeit verbessert wird. Das Hinzufügen von Vanishing Gradient ist keine Lösung, da dies ein Problem ist, das die Modellleistung beeinträchtigt. Eine Erhöhung der Modellkomplexität würde Overfitting verschlimmern. Gradient Checking ist eine Debugging-Technik, keine Lösung für Overfitting.