Un réseau neuronal profond s'adapte bien aux données d'entraînement, mais fonctionne mal sur les données de test. Parmi les propositions suivantes, lesquelles devriez-vous considérer pour réduire le surapprentissage ? (Choisissez-en trois.)

Le surapprentissage (overfitting) se produit lorsque le modèle apprend trop bien les données d'entraînement, y compris le bruit, et échoue à généraliser sur de nouvelles données. 1. Augmenter la régularisation (par exemple, L1 ou L2) pénalise les poids importants du modèle, le rendant moins complexe et réduisant le surapprentissage. Diminuer la régularisation aurait l'effet inverse. 2. Augmenter le dropout désactive aléatoirement des neurones pendant l'entraînement, empêchant le réseau de trop dépendre de neurones spécifiques et améliorant la robustesse. Diminuer le dropout réduirait cet effet bénéfique. 3. Réduire le nombre d'interactions de caractéristiques simplifie le modèle en diminuant le nombre de variables d'entrée complexes, ce qui aide à éviter que le modèle ne mémorise des motifs trop spécifiques aux données d'entraînement. Augmenter ces interactions rendrait le modèle plus complexe et plus susceptible au surapprentissage.