Une entreprise a développé un modèle pour prédire les prix des articles. Le modèle a bien fonctionné sur les données d'entraînement, mais ses performances ont chuté de manière significative après le déploiement. Que devrait faire l'entreprise pour résoudre ce problème ?

Le problème décrit est un surapprentissage (overfitting), où le modèle a mémorisé les données d'entraînement au lieu d'apprendre les schémas généraux, ce qui entraîne une mauvaise performance sur de nouvelles données. Augmenter le volume de données d'entraînement est une stratégie efficace pour atténuer le surapprentissage. Plus le modèle est exposé à une variété de données, mieux il généralise. Réduire le volume de données d'entraînement aggraverait le surapprentissage ou le sous-apprentissage. Ajouter des hyperparamètres supplémentaires pourrait complexifier le modèle et potentiellement augmenter le surapprentissage si ce n'est pas fait judicieusement. Augmenter le temps d'entraînement pourrait également aggraver le surapprentissage si le modèle a déjà convergé sur les données d'entraînement.