Un produttore ha 8 classi di difetti e ha fornito circa 100.000 immagini per classe. Durante l'addestramento, il modello raggiunge un'accuratezza di addestramento del 90% ma solo un'accuratezza di validazione dell'80%, mentre le prestazioni a livello umano sono circa del 90%. Cosa dovresti esaminare per colmare questo divario?

Il divario tra l'accuratezza di addestramento (90%) e quella di validazione (80%), con prestazioni umane del 90%, indica un overfitting. Il modello sta imparando troppo bene i dati di addestramento, inclusi il rumore, e non generalizza bene a nuovi dati. La regolarizzazione (ad esempio, L1, L2, dropout) è una tecnica progettata per prevenire l'overfitting, penalizzando la complessità del modello e incoraggiando pesi più piccoli, migliorando così la sua capacità di generalizzare. Addestrare per un tempo più lungo o aumentare la capacità della rete peggiorerebbe l'overfitting. Provare un ottimizzatore diverso potrebbe accelerare la convergenza, ma non risolve direttamente il problema dell'overfitting.