ML 전문가는 10가지 교통 표지판 카테고리를 분류하는 컴퓨터 비전 모델을 구축하고 있습니다. 팀에는 Amazon S3에 클래스당 100개의 레이블이 지정된 이미지와 추가로 10,000개의 레이블이 지정되지 않은 이미지가 있습니다. 모든 이미지는 대시 카메라에서 가져온 224x224 크기입니다. 여러 번의 훈련 실행 후 모델이 훈련 데이터에 과적합되고 있습니다. 과적합을 줄이기 위해 전문가는 어떤 조치를 취해야 합니까? (두 가지 선택)

과적합은 모델이 훈련 데이터의 노이즈까지 학습하여 새로운 데이터에 대한 일반화 성능이 떨어질 때 발생합니다. Amazon SageMaker Ground Truth를 사용하여 레이블이 지정되지 않은 이미지에 레이블을 지정하면 훈련 데이터셋의 크기를 늘려 모델이 더 다양한 패턴을 학습하고 과적합을 줄이는 데 도움이 됩니다. 데이터 증강(예: 회전 및 변환)은 기존 레이블이 지정된 이미지에서 새로운 훈련 샘플을 생성하여 훈련 데이터의 다양성을 인위적으로 늘립니다. 이는 모델이 다양한 변형에 강건해지도록 하여 과적합을 줄이는 효과적인 방법입니다. 이미지를 회색조로 변환하는 것은 데이터의 복잡성을 줄일 수 있지만, 교통 표지판 분류와 같이 색상 정보가 중요한 작업에서는 모델 성능을 저하시킬 수 있습니다. 최종 레이어의 활성화 함수를 시그모이드로 변경하는 것은 이진 분류에 적합하며, 10가지 카테고리 분류에는 소프트맥스(softmax)와 같은 다중 클래스 활성화 함수가 더 적합합니다. Amazon SageMaker k-NN 알고리즘은 레이블링 도구가 아니라 분류 또는 회귀 알고리즘입니다.