ある果物加工業者は、リンゴを3つの品種に分類する分類器を必要としています。彼らはクラスごとに150枚のラベル付き画像を持っており、ImageNetで事前学習されたネットワークを使用して転移学習を適用しました。チューニング後、最良の結果はトレーニング精度68%、検証精度67%でした。精度を向上させるために専門家が取るべき行動は何ですか？

トレーニング精度と検証精度がともに低い（68%と67%）場合、モデルはデータから十分に学習できていない可能性が高く、これは「高バイアス」または「過少適合（underfitting）」の兆候です。この状況では、より多くのラベル付きトレーニングデータを収集して追加することが、モデルの学習能力を高め、バイアスを減らすための最も効果的な手段です。 自動ハイパーパラメータ最適化（HPO）は、モデルがすでにデータから十分に学習しているが、最適なパフォーマンスに達していない場合に有効です。より深いネットワークへの切り替えは、データが不足している状況では過学習のリスクを高める可能性があります。まったく同じネットワークとデータセットでの再トレーニングは、結果が変わる可能性が低いです。