Ha entrenado un modelo de clasificación de imágenes y observa signos de sobreajuste: 99% de precisión de entrenamiento, pero solo 75% de precisión de prueba. ¿Qué cambio debería hacer y por qué?

La opción correcta es aumentar la tasa de dropout en la capa flatten porque el modelo está sobreajustado y carece de generalización. El sobreajuste se caracteriza por una alta precisión en los datos de entrenamiento y una baja precisión en los datos de prueba, lo que indica que el modelo ha memorizado el ruido de los datos de entrenamiento en lugar de aprender patrones generalizables. El dropout es una técnica de regularización que desactiva aleatoriamente un porcentaje de neuronas durante el entrenamiento, lo que obliga al modelo a aprender representaciones más robustas y menos dependientes de neuronas específicas, mejorando así su capacidad de generalización. Aumentar la tasa de aprendizaje podría empeorar el sobreajuste o hacer que el entrenamiento diverja. Aumentar el tamaño de la capa densa aumentaría la complejidad del modelo, lo que probablemente agravaría el sobreajuste. Aumentar el número de épocas con un modelo ya sobreajustado solo haría que el modelo memorizara aún más los datos de entrenamiento, sin mejorar la precisión en los datos de prueba.