Ein Obstverarbeiter benötigt einen Klassifikator, um Äpfel in drei Sorten einzuteilen. Er verfügt über 150 beschriftete Bilder pro Klasse und hat Transfer Learning mit einem ImageNet-vortrainierten Netzwerk angewendet. Nach dem Tuning waren die besten Ergebnisse: 68 % Trainingsgenauigkeit und 67 % Validierungsgenauigkeit. Welche Maßnahme sollte der Spezialist ergreifen, um die Genauigkeit zu verbessern?

Die geringe Trainings- und Validierungsgenauigkeit (68 % und 67 %) deutet auf einen hohen Bias hin, was bedeutet, dass das Modell die Daten nicht gut lernt. Das Sammeln weiterer beschrifteter Trainingsbilder ist die effektivste Methode, um den Bias zu reduzieren und die Modellleistung zu verbessern, da das Modell dann mehr Beispiele zum Lernen hat. Automatisierte Hyperparameter-Optimierung (HPO) ist nützlich, wenn das Modell bereits eine gute Basisleistung aufweist, aber hier ist die Grundleistung zu niedrig. Ein tieferes Netzwerk würde die Modellkomplexität erhöhen und könnte zu Overfitting führen, was bei einem hohen Bias nicht das Hauptproblem ist. Das erneute Trainieren desselben Modells mit demselben Datensatz würde keine Verbesserung bringen, da die Datenmenge und -qualität unverändert bleiben.