Un transformateur de fruits a besoin d'un classifieur pour catégoriser les pommes en trois variétés. Il dispose de 150 images étiquetées par classe et a appliqué l'apprentissage par transfert en utilisant un réseau pré-entraîné sur ImageNet. Après réglage, les meilleurs résultats ont été : 68 % de précision d'entraînement et 67 % de précision de validation. Quelle action le spécialiste devrait-il entreprendre pour améliorer la précision ?

La précision d'entraînement (68 %) et de validation (67 %) étant très similaire et faible, cela indique un problème de biais élevé (underfitting). Le modèle n'apprend pas suffisamment les caractéristiques des données. L'ajout de plus d'images d'entraînement étiquetées est la meilleure approche pour aider le modèle à mieux généraliser et à réduire ce biais, car il aura plus d'exemples pour apprendre les motifs des différentes variétés de pommes. L'optimisation des hyperparamètres pourrait aider, mais ne résoudra probablement pas un biais aussi prononcé avec des données limitées. Passer à un réseau plus profond augmenterait la variance (risque de surapprentissage) alors que le problème est le sous-apprentissage. Réentraîner avec la même architecture et les mêmes données ne changera rien.