Le modèle de sentiment d'apprentissage profond d'un spécialiste ML, entraîné sur des critiques de films, présente un surapprentissage après validation. Quelles actions amélioreront le plus la généralisation et réduiront le surapprentissage ? (Choisissez-en trois.)

Le surapprentissage se produit lorsque le modèle apprend trop bien les détails et le bruit des données d'entraînement, ce qui nuit à sa performance sur de nouvelles données. La régularisation L1 et L2 pénalise les poids importants du modèle, encourageant des modèles plus simples et réduisant la dépendance à des caractéristiques spécifiques. La régularisation par dropout désactive aléatoirement des neurones pendant l'entraînement, forçant le réseau à apprendre des représentations plus robustes et moins dépendantes de neurones individuels. Réduire le nombre de couches simplifie l'architecture du modèle, limitant sa capacité à mémoriser le bruit des données d'entraînement. Mélanger le jeu de données est une bonne pratique mais ne réduit pas directement le surapprentissage. Réduire le taux d'apprentissage peut aider à la convergence mais pas nécessairement au surapprentissage. Ajouter plus de couches augmenterait la complexité du modèle et potentiellement le surapprentissage.