Una empresa de atención médica entrena una red neuronal para clasificar radiografías como normales o anormales. El conjunto de datos contiene 1000 imágenes de entrenamiento etiquetadas y 200 imágenes de prueba. Una red con 50 capas ocultas logra una precisión del 99% en el conjunto de entrenamiento, pero solo una precisión del 55% en el conjunto de prueba. ¿Cuál de los siguientes cambios debería considerar el especialista para abordar este problema? (Elija tres).

La alta precisión en el conjunto de entrenamiento (99%) y la baja precisión en el conjunto de prueba (55%) indican un sobreajuste (overfitting). Reducir el número de capas ocultas (o neuronas por capa) disminuye la complejidad del modelo, haciéndolo menos propenso a memorizar el ruido de los datos de entrenamiento. Habilitar la regularización por abandono (dropout) apaga aleatoriamente un porcentaje de neuronas durante el entrenamiento, lo que obliga a la red a aprender características más robustas y menos dependientes de neuronas específicas. Habilitar la detención temprana (early stopping) monitorea el rendimiento del modelo en un conjunto de validación y detiene el entrenamiento cuando el rendimiento en este conjunto deja de mejorar, evitando que el modelo se sobreajuste al conjunto de entrenamiento. Aumentar el número de capas ocultas empeoraría el sobreajuste. Usar una tasa de aprendizaje más pequeña podría ayudar, pero no es una solución directa para el sobreajuste en este escenario. Incluir las imágenes de prueba en el conjunto de entrenamiento es una práctica incorrecta que invalidaría la evaluación del modelo.