Un assureur a entraîné un modèle de détection d'objets intégré à Amazon SageMaker (TensorFlow) pour trouver les rayures et les bosses sur des photos de voitures. Le modèle montre des performances bien meilleures sur l'ensemble d'entraînement que sur l'ensemble de test. Quelle action est la plus appropriée pour améliorer les performances du modèle sur les données de test (validation) ?

Le modèle surperforme sur l'ensemble d'entraînement mais sous-performe sur l'ensemble de test, ce qui indique un surapprentissage. L'augmentation de l'hyperparamètre L2 (décroissance du poids) est une technique de régularisation qui pénalise les poids importants, réduisant ainsi la complexité du modèle et l'empêchant de trop s'adapter aux données d'entraînement. Cela améliore la généralisation du modèle aux données non vues. Augmenter le momentum peut accélérer la convergence mais n'aborde pas directement le surapprentissage. Réduire le dropoutrate diminuerait la régularisation, aggravant le surapprentissage. Réduire le learningrate peut aider à trouver un meilleur minimum local mais ne résout pas intrinsèquement le problème de surapprentissage.