Un modèle de risque de crédit affiche une précision d'entraînement de 99 % mais seulement 82 % de précision de validation. L'entreprise doit corriger cet écart de performance avant le déploiement. Quelles mesures permettent de résoudre le surapprentissage et d'améliorer la généralisation ?

Le surapprentissage se produit lorsque le modèle apprend trop bien les données d'entraînement, y compris le bruit, ce qui nuit à sa capacité à généraliser sur de nouvelles données. Des couches de dropout désactivent aléatoirement des neurones pendant l'entraînement, forçant le réseau à apprendre des représentations plus robustes. La régularisation L1 ou L2 ajoute une pénalité à la fonction de perte pour les poids importants, ce qui décourage les poids extrêmes et simplifie le modèle. La validation croisée k-fold aide à évaluer la performance du modèle de manière plus fiable en entraînant et en validant sur différentes partitions des données, ce qui permet de mieux détecter le surapprentissage et d'optimiser les hyperparamètres. Les autres options sont incorrectes car : Ajouter plus de couches denses augmente la complexité du modèle, ce qui aggrave le surapprentissage. L'ACP réduit la dimensionnalité mais ne résout pas directement le surapprentissage si le modèle reste trop complexe. Augmenter l'ensemble de données d'entraînement peut aider, mais n'est pas toujours suffisant et ne résout pas les problèmes de complexité intrinsèque du modèle.