El rendimiento de validación de una red neuronal simple mejora inicialmente, pero luego empeora después de un cierto número de épocas. ¿Cuál de los siguientes cambios ayudaría a prevenir esta degradación? (Elija dos).

La degradación del rendimiento de validación después de un cierto número de épocas es un síntoma clásico de sobreajuste (overfitting). 1. Habilitar la detención anticipada (early stopping): Esta técnica detiene el entrenamiento cuando el rendimiento en el conjunto de validación deja de mejorar o comienza a empeorar. Esto previene que el modelo aprenda ruido de los datos de entrenamiento y se sobreajuste. 2. Aumentar las tasas de abandono (dropout rates): Dropout es una técnica de regularización que desactiva aleatoriamente un porcentaje de neuronas durante el entrenamiento. Esto obliga a la red a aprender representaciones más robustas y menos dependientes de neuronas específicas, reduciendo así el sobreajuste. Las opciones de "añadir más capas a la red" o "aumentar el número de neuronas por capa" generalmente aumentan la complejidad del modelo, lo que puede empeorar el sobreajuste si no se combina con técnicas de regularización. "Investigar y mitigar las fuentes de sesgo del modelo" es importante para la equidad y el rendimiento general, pero no aborda directamente el sobreajuste en el contexto de la degradación del rendimiento de validación.