Un modello addestrato su circa 10.000 immagini controllate si adatta bene al set di addestramento, ma ha prestazioni scarse su immagini di test non viste (l'errore di addestramento diminuisce con le epoche mentre l'errore di test rimane elevato). Quali azioni aiuteranno a risolvere questo problema? (Scegliere due.)

Il problema descritto, con un basso errore di training e un alto errore di test, indica un overfitting. L'aumento dei dati (data augmentation) è una tecnica efficace per combattere l'overfitting, poiché crea nuove varianti delle immagini di training (es. rotazioni, ribaltamenti, zoom) aumentando la dimensione e la diversità del dataset di training, rendendo il modello più robusto e generalizzabile. La regolarizzazione L2 (weight decay) penalizza i pesi grandi nel modello, scoraggiando la dipendenza eccessiva da singole feature e riducendo la complessità del modello, il che aiuta a migliorare la generalizzazione. Aumentare la complessità dell'architettura peggiorerebbe l'overfitting. Aggiungere il vanishing gradient non è una soluzione, ma un problema da risolvere. Il gradient checking è una tecnica di debug, non una soluzione all'overfitting.