Una aseguradora entrenó un modelo de detección de objetos (TensorFlow) integrado en Amazon SageMaker para encontrar arañazos y abolladuras en fotos de coches. El modelo muestra un rendimiento mucho mejor en el conjunto de entrenamiento que en el conjunto de prueba. ¿Qué acción es la más apropiada para mejorar el rendimiento del modelo en los datos de prueba (validación)?

El escenario descrito, donde el modelo rinde mucho mejor en el conjunto de entrenamiento que en el de prueba, es un claro indicador de sobreajuste (overfitting). El sobreajuste ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento, incluyendo el ruido, y pierde su capacidad de generalizar a datos nuevos y no vistos. Aumentar el hiperparámetro L2 (weight decay) es una técnica de regularización que penaliza los pesos grandes en el modelo. Esto ayuda a evitar que el modelo se ajuste demasiado a los datos de entrenamiento, promoviendo modelos más simples y mejorando su capacidad de generalización. Reducir el hiperparámetro dropoutrate haría que el modelo sea aún más propenso al sobreajuste, ya que el dropout es otra forma de regularización. Aumentar el momentum o reducir el learningrate son técnicas relacionadas con la optimización del entrenamiento, pero no abordan directamente el problema del sobreajuste en este contexto.