Le prestazioni di convalida di una semplice rete neurale migliorano inizialmente, ma poi peggiorano dopo un certo numero di epoche. Quali dei seguenti cambiamenti aiuterebbero a prevenire questo degrado? (Scegliere due.)

Il degrado delle prestazioni di convalida dopo un certo numero di epoche indica overfitting, dove il modello impara troppo bene i dati di addestramento, perdendo la capacità di generalizzare a nuovi dati. L'early stopping è una tecnica efficace per prevenire l'overfitting interrompendo l'addestramento quando le prestazioni sul set di convalida smettono di migliorare, salvando il modello nel suo stato ottimale. Aumentare i tassi di dropout è un'altra strategia comune. Il dropout disattiva casualmente un sottoinsieme di neuroni durante l'addestramento, costringendo la rete a imparare rappresentazioni più robuste e meno dipendenti da singoli neuroni, riducendo così l'overfitting. Aggiungere più strati o neuroni può aumentare la capacità del modello, potenzialmente aggravando l'overfitting. Mitigare il bias è importante, ma non affronta direttamente il problema del degrado delle prestazioni di convalida dovuto all'overfitting.