Un assicuratore ha addestrato un modello Amazon SageMaker Object Detection integrato (TensorFlow) per trovare graffi e ammaccature nelle foto di auto. Il modello mostra prestazioni molto migliori sul set di addestramento rispetto al set di test. Quale azione è più appropriata per migliorare le prestazioni del modello sui dati di test (validazione)?

Il modello mostra prestazioni molto migliori sul set di addestramento rispetto al set di test, indicando un overfitting. L'overfitting si verifica quando il modello impara troppo bene i dati di addestramento, inclusi il rumore, e non riesce a generalizzare a nuovi dati. Aumentare l'iperparametro L2 (weight decay) è una tecnica di regolarizzazione che penalizza i pesi grandi, scoraggiando il modello dall'attribuire troppa importanza a singole caratteristiche e migliorando la sua capacità di generalizzare. Aumentare l'iperparametro momentum può accelerare la convergenza ma non affronta direttamente l'overfitting. Ridurre l'iperparametro dropoutrate renderebbe il modello ancora più propenso all'overfitting, poiché il dropout è una forma di regolarizzazione. Ridurre l'iperparametro learningrate può aiutare la convergenza ma non è la soluzione più diretta per l'overfitting.