Un'azienda sanitaria addestra una rete neurale per classificare le radiografie come normali o anormali. Il dataset contiene 1.000 immagini di addestramento etichettate e 200 immagini di test. Una rete con 50 strati nascosti raggiunge il 99% di accuratezza sul set di addestramento ma solo il 55% di accuratezza sul set di test. Quali delle seguenti modifiche dovrebbe considerare lo specialista per risolvere questo problema? (Scegliere tre.)

L'elevata accuratezza sul set di addestramento (99%) e la bassa accuratezza sul set di test (55%) indicano un overfitting. La rete ha imparato a memoria i dati di addestramento ma non generalizza bene a nuovi dati. Ridurre il numero di strati nascosti (o neuroni per strato) diminuisce la complessità del modello, rendendolo meno propenso all'overfitting. Abilitare la regolarizzazione dropout disattiva casualmente i neuroni durante l'addestramento, impedendo alla rete di fare eccessivo affidamento su specifici percorsi di attivazione e migliorando la generalizzazione. Abilitare l'early stopping interrompe l'addestramento quando le prestazioni sul set di validazione (o test, se usato con cautela) iniziano a peggiorare, prevenendo l'overfitting. Aumentare il numero di strati nascosti aumenterebbe ulteriormente la complessità e l'overfitting. Usare un learning rate più piccolo potrebbe rallentare la convergenza ma non risolve direttamente l'overfitting. Includere le immagini di test nel set di addestramento contaminerebbe il set di test, rendendo la valutazione delle prestazioni non affidabile.