Un fabricant dispose de 8 classes de défauts et a fourni environ 100 000 images par classe. Pendant l'entraînement, le modèle atteint une précision d'entraînement de 90 % mais seulement une précision de validation de 80 %, alors que la performance au niveau humain est d'environ 90 %. Que devriez-vous examiner pour combler cet écart ?

Le modèle surapprend les données d'entraînement (précision d'entraînement de 90 % contre précision de validation de 80 %), ce qui indique un problème de généralisation. La régularisation, comme la régularisation L1/L2 ou le dropout, aide à réduire le surapprentissage en pénalisant les poids importants ou en désactivant aléatoirement des neurones, forçant le modèle à apprendre des caractéristiques plus robustes et à mieux généraliser aux données non vues. Entraîner plus longtemps ou augmenter la capacité du réseau aggraverait probablement le surapprentissage. Essayer un optimiseur différent pourrait avoir un impact, mais la cause principale ici est le surapprentissage, qui est mieux adressé par la régularisation.