Vous avez entraîné un modèle de classification d'images et observez des signes de surapprentissage : 99 % de précision d'entraînement, mais seulement 75 % de précision de test. Quel changement devriez-vous apporter et pourquoi ?

Un surapprentissage (overfitting) se manifeste par une haute précision sur les données d'entraînement et une faible précision sur les données de test, indiquant que le modèle a mémorisé les données d'entraînement au lieu d'apprendre à généraliser. Augmenter le taux de dropout est une technique de régularisation efficace. Le dropout désactive aléatoirement un pourcentage de neurones pendant l'entraînement, forçant le réseau à apprendre des représentations plus robustes et moins dépendantes de neurones spécifiques, ce qui améliore la généralisation. La couche flatten est souvent suivie de couches denses où le dropout est couramment appliqué. Augmenter le taux d'apprentissage pourrait aggraver l'instabilité ou manquer le minimum. Augmenter la taille de la couche dense rendrait le modèle plus complexe, ce qui est contre-productif en cas de surapprentissage. Augmenter le nombre d'époques continuerait à surapprendre le modèle.