Ein tiefes neuronales Netzwerk passt gut zu den Trainingsdaten, liefert aber schlechte Ergebnisse bei Testdaten. Welche der folgenden Maßnahmen sollten Sie in Betracht ziehen, um Overfitting zu reduzieren? (Wählen Sie drei.)

Overfitting tritt auf, wenn ein Modell die Trainingsdaten zu genau lernt und dabei Rauschen oder irrelevante Details erfasst, was zu einer schlechten Generalisierungsfähigkeit auf neue, ungesehene Daten führt. Regularisierung erhöhen: Regularisierungsterm (z.B. L1 oder L2) bestraft große Gewichte im Netzwerk, was die Modellkomplexität reduziert und Overfitting entgegenwirkt. Eine Verringerung der Regularisierung würde Overfitting verstärken. Dropout erhöhen: Dropout deaktiviert zufällig eine bestimmte Anzahl von Neuronen während des Trainings. Dies zwingt das Netzwerk, robustere Merkmale zu lernen und verhindert, dass es sich zu stark auf einzelne Neuronen verlässt, was Overfitting reduziert. Eine Verringerung des Dropout würde Overfitting verstärken. Die Anzahl der Feature-Interaktionen reduzieren: Das Erstellen vieler manueller Feature-Interaktionen kann die Modellkomplexität unnötig erhöhen und zu Overfitting führen, insbesondere wenn diese Interaktionen nicht aussagekräftig sind. Eine Reduzierung vereinfacht das Modell.