Een kredietrisicomodel toont een trainingsnauwkeurigheid van 99%, maar een validatienauwkeurigheid van slechts 82%. Het bedrijf moet dit prestatieverschil oplossen voordat het model wordt geïmplementeerd. Welke maatregelen pakken overfitting aan en verbeteren de generalisatie?

De trainingsnauwkeurigheid van 99% versus de validatienauwkeurigheid van 82% duidt op overfitting, waarbij het model te goed leert op de trainingsdata en slecht presteert op nieuwe, ongeziene data. Dropout layers, L1- of L2-regularisatie zijn technieken die de modelcomplexiteit verminderen en overaanpassing tegengaan, waardoor het model beter generaliseert. K-fold cross-validation is een robuuste validatiemethode die helpt om een betrouwbaardere schatting van de modelprestaties te krijgen en overfitting te detecteren. Het toevoegen van meer dense layers of het vergroten van de modelcomplexiteit (optie 1) zou overfitting juist verergeren. PCA en het verminderen van lagen (optie 3) kunnen helpen, maar cross-entropy loss is een loss-functie, geen regularisatietechniek. Het vergroten van de trainingsdataset (optie 4) kan helpen, maar het verwijderen van duplicaten en stratified sampling zijn geen directe oplossingen voor overfitting, hoewel ze de datakwaliteit en representativiteit kunnen verbeteren.