Een fruitverwerker heeft een classificator nodig om appels in drie variëteiten te categoriseren. Ze hebben 150 gelabelde afbeeldingen per klasse en hebben transfer learning toegepast met behulp van een ImageNet-getraind netwerk. Na het tunen waren de beste resultaten: 68% trainingsnauwkeurigheid en 67% validatienauwkeurigheid. Welke actie moet de specialist ondernemen om de nauwkeurigheid te verbeteren?

De trainingsnauwkeurigheid (68%) en validatienauwkeurigheid (67%) zijn beide laag en liggen dicht bij elkaar. Dit duidt op een hoge bias (underfitting), wat betekent dat het model de onderliggende patronen in de gegevens niet goed leert. Het toevoegen van meer gelabelde trainingsafbeeldingen helpt het model om robuustere kenmerken te leren en de bias te verminderen, wat leidt tot een hogere nauwkeurigheid. Geautomatiseerde hyperparameteroptimalisatie (HPO) is nuttig bij een goede trainingsnauwkeurigheid maar slechte validatienauwkeurigheid (overfitting), niet bij underfitting. Een dieper netwerk verhoogt de complexiteit en kan leiden tot overfitting, wat het probleem van underfitting niet oplost. Het opnieuw trainen met dezelfde architectuur en dataset zal waarschijnlijk dezelfde lage nauwkeurigheid opleveren, omdat het de onderliggende oorzaak van de hoge bias niet aanpakt.