Un modèle de deep learning est en surapprentissage (bon sur les données d'entraînement, mauvais sur les nouvelles données). Quelle action améliorera la généralisation aux nouvelles données ?

Le surapprentissage se produit lorsque le modèle apprend trop spécifiquement les données d'entraînement, perdant ainsi sa capacité à généraliser. Augmenter la taille de l'ensemble de données d'entraînement fournit plus d'exemples diversifiés, aidant le modèle à apprendre des motifs plus robustes plutôt que de mémoriser des instances spécifiques. Diminuer le nombre de caractéristiques d'entrée (sélection de caractéristiques) réduit la complexité du modèle et le risque qu'il apprenne du bruit ou des corrélations non pertinentes, améliorant ainsi sa capacité à généraliser. Les autres options soit réduisent la quantité de données d'entraînement, ce qui aggrave le surapprentissage, soit augmentent la complexité du modèle en ajoutant plus de caractéristiques, ce qui est également contre-productif.