Un procesador de fruta necesita un clasificador para categorizar manzanas en tres variedades. Tienen 150 imágenes etiquetadas por clase y aplicaron aprendizaje por transferencia usando una red preentrenada en ImageNet. Después del ajuste, los mejores resultados fueron: 68% de precisión de entrenamiento y 67% de precisión de validación. ¿Qué acción debería tomar el especialista para mejorar la precisión?

La precisión de entrenamiento del 68% y la precisión de validación del 67% sugieren un modelo con bajo rendimiento general, indicando un sesgo alto (underfitting). Esto significa que el modelo no ha aprendido adecuadamente los patrones de los datos, incluso en el conjunto de entrenamiento. La mejor acción para abordar el sesgo y mejorar la precisión es proporcionar más datos de entrenamiento etiquetados. Más ejemplos permiten que el modelo aprenda características más robustas y generalizables. Abrir el modelo en un notebook y ejecutar un trabajo automatizado de optimización de hiperparámetros (HPO) podría ayudar si el modelo estuviera cerca de un buen rendimiento, pero con un sesgo tan alto, la optimización de hiperparámetros por sí sola es poco probable que resuelva el problema fundamental de la falta de aprendizaje. Cambiar a una red preentrenada más profunda (más capas) y ajustarla para aumentar la varianza del modelo podría empeorar el problema si ya hay pocos datos, ya que un modelo más complejo con datos limitados es propenso al sobreajuste (overfitting), no al bajo rendimiento. Reentrenar un nuevo modelo usando exactamente la misma arquitectura de red y conjunto de datos no abordará la causa raíz del bajo rendimiento si el problema es la cantidad o calidad de los datos.