Een deep neural network past goed bij de trainingsdata, maar presteert slecht op testdata. Welke van de volgende opties moet u overwegen om overfitting te verminderen? (Kies drie.)

Overfitting treedt op wanneer een model te goed leert van de trainingsdata, inclusief ruis, en daardoor slecht presteert op nieuwe, ongeziene data. Het verhogen van regularisatie (bijv. L1 of L2) voegt een penalty toe aan de verliesfunctie, waardoor de gewichten van het netwerk kleiner worden en het model minder complex wordt, wat overfitting tegengaat. Het verhogen van dropout betekent dat meer neuronen willekeurig worden uitgeschakeld tijdens de training. Dit dwingt het netwerk om robuustere representaties te leren en voorkomt dat het te afhankelijk wordt van specifieke neuronen, wat overfitting vermindert. Het verminderen van het aantal handmatig gemaakte feature-interacties vereenvoudigt het model. Een complexer model met veel interacties kan de trainingsdata te nauwkeurig modelleren, inclusief ruis, wat leidt tot overfitting. Door de complexiteit te verminderen, wordt het model generaliseerbaarder. Het verminderen van regularisatie of dropout zou het model complexer maken en overfitting juist verergeren. Het verhogen van feature-interacties zou ook de modelcomplexiteit verhogen en daarmee de kans op overfitting.