La performance de validation d'un réseau neuronal simple s'améliore initialement, puis se dégrade après un certain nombre d'époques. Lequel des changements suivants aiderait à prévenir cette dégradation ? (Choisissez deux.)

La dégradation de la performance de validation après une amélioration initiale indique un surapprentissage (overfitting). L'arrêt anticipé (early stopping) est une technique efficace qui interrompt l'entraînement lorsque la performance sur l'ensemble de validation cesse de s'améliorer, empêchant ainsi le modèle de mémoriser le bruit des données d'entraînement. L'augmentation des taux de dropout aide également à prévenir le surapprentissage en désactivant aléatoirement des neurones pendant l'entraînement, forçant le réseau à apprendre des représentations plus robustes. Ajouter plus de couches ou augmenter le nombre de neurones par couche pourrait aggraver le surapprentissage en augmentant la capacité du modèle. Enquêter sur le biais du modèle est important pour l'équité, mais n'adresse pas directement le surapprentissage lié à la dégradation de la performance de validation.