Un fabricante tiene 8 clases de defectos y proporcionó ~100.000 imágenes por clase. Durante el entrenamiento, el modelo logra un 90% de precisión de entrenamiento, pero solo un 80% de precisión de validación, mientras que el rendimiento a nivel humano es de ~90%. ¿Qué debería investigar para abordar esta brecha?

La discrepancia entre la alta precisión de entrenamiento (90%) y la menor precisión de validación (80%), especialmente cuando el rendimiento humano es del 90%, indica sobreajuste (overfitting). El modelo ha memorizado los datos de entrenamiento pero no generaliza bien a datos nuevos. La regularización, como la adición de decaimiento de peso (L1/L2) o el uso de dropout, penaliza los pesos grandes o desactiva aleatoriamente neuronas durante el entrenamiento, lo que obliga al modelo a aprender características más robustas y generalizables, reduciendo así el sobreajuste. Entrenar durante más tiempo o aumentar la capacidad de la red probablemente empeoraría el sobreajuste. Probar un optimizador diferente podría mejorar la velocidad de convergencia o encontrar un mínimo global diferente, pero no aborda directamente el problema de sobreajuste.