Hai addestrato un modello di classificazione delle immagini e riscontri segni di overfitting: 99% di accuratezza di training ma solo 75% di accuratezza di test. Quale modifica dovresti apportare e perché?

L'overfitting si verifica quando un modello impara troppo bene i dati di training, inclusi il rumore, perdendo la capacità di generalizzare a nuovi dati. Un'accuratezza di training del 99% e di test del 75% è un chiaro segno di overfitting. Il dropout è una tecnica di regolarizzazione che disattiva casualmente un sottoinsieme di neuroni durante l'addestramento, impedendo al modello di fare eccessivo affidamento su specifici percorsi e migliorando la sua capacità di generalizzazione. Aumentare il dropout rate al flatten layer, che precede i dense layer, è una strategia efficace per contrastare l'overfitting. Aumentare il learning rate potrebbe far saltare il minimo locale, ma non risolve l'overfitting. Aumentare la dimensione del dense layer renderebbe il modello più complesso, peggiorando l'overfitting. Aumentare il numero di epoche continuerebbe a far imparare al modello il rumore, aggravando l'overfitting.