Een model dat is getraind op ~10.000 gecontroleerde afbeeldingen past goed bij de trainingsset, maar presteert slecht op ongeziene testafbeeldingen (trainingsfout neemt af met epochs, terwijl de testfout hoog blijft). Welke acties helpen dit probleem aan te pakken? (Kies er twee.)

Het probleem beschreven, waarbij het model goed presteert op de trainingsset maar slecht op ongeziene data (hoge trainingsfout, hoge testfout), duidt op overfitting. 1. Gebruik data-augmentatie op de trainingsafbeeldingen: Data-augmentatie creëert nieuwe trainingsvoorbeelden door bestaande afbeeldingen te transformeren (bijv. roteren, spiegelen, bijsnijden). Dit vergroot de diversiteit van de trainingsdata, waardoor het model robuuster wordt en minder snel overfit op specifieke kenmerken van de originele trainingsset. 2. Voeg L2 (weight) regularisatie toe aan het model: L2-regularisatie voegt een penalty toe aan de verliesfunctie die evenredig is met het kwadraat van de gewichten. Dit ontmoedigt grote gewichten, wat resulteert in een eenvoudiger model dat minder gevoelig is voor ruis in de trainingsdata en daardoor beter generaliseert. De andere opties zijn incorrect: "Voeg vanishing gradient toe aan het model" is onjuist; vanishing gradient is een probleem dat de training belemmert, geen oplossing voor overfitting. "Verhoog de complexiteit van de architectuur van het neuraal netwerk" zou overfitting juist verergeren, omdat een complexer model meer capaciteit heeft om de trainingsdata te memoriseren. "Pas gradient checking toe op het model" is een debugging-techniek voor de implementatie van backpropagation, geen methode om overfitting aan te pakken.