한 헬스케어 회사가 X선 이미지를 정상 또는 비정상으로 분류하는 신경망을 훈련합니다. 데이터 세트에는 1,000개의 레이블이 지정된 훈련 이미지와 200개의 테스트 이미지가 포함되어 있습니다. 50개의 은닉 계층을 가진 네트워크는 훈련 세트에서 99%의 정확도를 달성했지만, 테스트 세트에서는 55%의 정확도만 달성했습니다. 전문가는 이 문제를 해결하기 위해 다음 중 어떤 변경 사항을 고려해야 할까요? (세 가지 선택)

훈련 세트에서는 높은 정확도를 보이지만 테스트 세트에서는 낮은 정확도를 보이는 것은 모델이 과적합되었음을 나타냅니다. 50개의 은닉 계층은 모델을 너무 복잡하게 만들어 훈련 데이터의 노이즈까지 학습했을 가능성이 높습니다. 은닉 계층의 수를 줄이면 모델의 복잡성이 감소하여 과적합을 방지할 수 있습니다. 드롭아웃 정규화를 활성화하면 훈련 중 무작위로 뉴런을 비활성화하여 모델이 특정 특징에 과도하게 의존하는 것을 막고 일반화 성능을 향상시킵니다. 훈련 중 조기 중단을 활성화하면 검증 세트의 성능이 더 이상 개선되지 않을 때 훈련을 중단하여 과적합을 방지합니다. 은닉 계층의 수를 늘리는 것은 모델을 더 복잡하게 만들어 과적합을 악화시킬 수 있습니다. 더 작은 학습률은 수렴 속도에 영향을 미치지만 과적합을 직접적으로 해결하지는 않습니다. 훈련 세트에 테스트 이미지를 포함하는 것은 테스트 세트의 독립성을 훼손하여 모델의 실제 성능을 정확하게 평가할 수 없게 만듭니다.