Ein Versicherer hat ein in Amazon SageMaker integriertes Object Detection-Modell (TensorFlow) trainiert, um Kratzer und Dellen auf Autofotos zu finden. Das Modell zeigt eine wesentlich bessere Leistung im Trainingsdatensatz als im Testdatensatz. Welche Maßnahme ist am besten geeignet, um die Leistung des Modells auf den Test- (Validierungs-) Daten zu verbessern?

Das Problem, dass ein Modell auf Trainingsdaten gut, auf Testdaten aber schlecht abschneidet, ist ein klassisches Zeichen für Overfitting. Overfitting bedeutet, dass das Modell die Trainingsdaten zu genau gelernt hat, einschließlich des Rauschens, und somit nicht gut auf neue, ungesehene Daten generalisieren kann. L2-Regularisierung (Weight Decay) ist eine gängige Technik, um Overfitting zu bekämpfen. Durch das Erhöhen des L2-Wertes werden größere Gewichte im Modell stärker bestraft. Dies zwingt das Modell, einfachere Muster zu lernen und verhindert, dass es sich zu stark an die Trainingsdaten anpasst. Das Erhöhen des Momentum-Wertes kann die Konvergenz beschleunigen, hilft aber nicht direkt gegen Overfitting. Das Reduzieren der dropoutrate würde das Overfitting wahrscheinlich verschlimmern, da Dropout eine Form der Regularisierung ist. Eine niedrigere learningrate kann helfen, ein besseres Minimum zu finden, bekämpft aber nicht primär Overfitting.