이미지 분류 모델을 훈련시켰는데, 훈련 정확도는 99%이지만 테스트 정확도는 75%로 과적합(overfitting) 징후가 보입니다. 어떤 변경을 해야 하며 그 이유는 무엇입니까?

훈련 정확도는 높지만 테스트 정확도가 낮은 것은 모델이 훈련 데이터에 과적합되어 새로운 데이터에 대한 일반화 능력이 부족하다는 명확한 신호입니다. 드롭아웃(Dropout)은 훈련 중에 무작위로 뉴런을 비활성화하여 모델이 특정 특징에 과도하게 의존하는 것을 방지하고, 결과적으로 모델의 일반화 능력을 향상시키는 효과적인 정규화 기법입니다. 따라서 드롭아웃 비율을 높이는 것이 과적합 문제를 해결하는 데 도움이 됩니다. 학습률을 높이는 것은 최적화 문제를 해결할 수 있지만 과적합을 직접적으로 다루지는 않습니다. 모델 복잡도를 늘리는 것은 과적합을 악화시킬 수 있습니다. 에포크 수를 늘리는 것은 이미 과적합된 모델의 경우 과적합을 더욱 심화시킬 수 있습니다.