Vous entraînez un classifieur d'images supervisé pour détecter les chats. Vous disposez d'un total de 1 000 images et d'un jeu de test fixe de 100 images. Vous observez que plus de 75 % des erreurs de classification se produisent lorsque les propriétaires tiennent les chats à l'envers. Quelle technique réduira spécifiquement ce type d'erreur ?

L'augmentation des données d'entraînement avec des variations de rotation est la technique la plus directe pour résoudre le problème spécifique des chats tenus à l'envers. En exposant le modèle à des images de chats sous différents angles, y compris des rotations, il apprendra à reconnaître les chats quelle que soit leur orientation, réduisant ainsi les erreurs de classification liées à cette pose. Augmenter le nombre d'époques d'entraînement pourrait améliorer la convergence, mais ne résoudrait pas le manque de diversité d'orientation dans les données. Ajouter plus de couches au réseau neuronal pourrait augmenter la capacité du modèle, mais risquerait le surapprentissage sans données d'entraînement plus variées. Augmenter le taux de dropout aiderait à prévenir le surapprentissage, mais ne compenserait pas l'absence d'exemples de chats à l'envers dans les données.