Stai addestrando un classificatore di immagini supervisionato per rilevare i gatti. Hai un totale di 1.000 immagini e un set di test fisso di 100 immagini. Osservi che oltre il 75% delle errate classificazioni si verifica quando i proprietari tengono i gatti a testa in giù. Quale tecnica ridurrà specificamente questo tipo di errore?

Aumentare i dati di addestramento aggiungendo immagini con variazioni di rotazione è la soluzione più diretta ed efficace. Il problema descritto indica che il modello non ha appreso a riconoscere i gatti in orientamenti non standard. L'aumento dei dati (data augmentation) con rotazioni espone il modello a queste variazioni durante l'addestramento, consentendogli di generalizzare meglio. Aumentare il numero di epoche di addestramento potrebbe non risolvere il problema se i dati di addestramento non contengono già esempi di gatti capovolti. Aggiungere più livelli alla rete neurale potrebbe aumentare la capacità del modello, ma non necessariamente la sua capacità di gestire le rotazioni senza dati di addestramento pertinenti. Aumentare il tasso di dropout ridurrebbe l'overfitting, ma non affronterebbe la mancanza di esempi di gatti capovolti nei dati di addestramento.