Un'azienda di trasformazione della frutta necessita di un classificatore per suddividere le mele in tre varietà. Hanno 150 immagini etichettate per classe e hanno applicato il transfer learning utilizzando una rete pre-addestrata su ImageNet. Dopo la messa a punto, i migliori risultati sono stati: 68% di accuratezza di training e 67% di accuratezza di validazione. Quale azione dovrebbe intraprendere lo specialista per migliorare l'accuratezza?

L'accuratezza di training e di validazione molto simili (68% e 67%) e relativamente basse indicano un problema di bias elevato (underfitting). Questo significa che il modello non sta imparando adeguatamente i pattern dai dati. La causa più comune di underfitting, specialmente con il transfer learning, è una quantità insufficiente di dati di training per adattare il modello al nuovo dominio. Aggiungere più immagini etichettate è il modo più efficace per ridurre il bias e consentire al modello di apprendere meglio le caratteristiche distintive delle diverse varietà di mele. Le altre opzioni sono meno efficaci o inappropriate: L'ottimizzazione degli iperparametri (HPO) è utile per affinare un modello che già apprende bene, ma non risolve un problema fondamentale di underfitting dovuto a dati insufficienti. Passare a una rete più profonda aumenterebbe la varianza, ma il problema attuale è il bias. Aumentare la varianza potrebbe portare a overfitting se i dati rimangono scarsi. Riaddestrare con la stessa architettura e lo stesso dataset non risolverebbe il problema di underfitting.