Een verzekeraar heeft een ingebouwd Amazon SageMaker Object Detection-model (TensorFlow) getraind om krassen en deuken op autofoto's te vinden. Het model presteert veel beter op de trainingsset dan op de testset. Welke actie is het meest geschikt om de prestaties van het model op de test (validatie) data te verbeteren?

Het model presteert veel beter op de trainingsset dan op de testset, wat duidt op overfitting. Overfitting betekent dat het model te goed leert van de trainingsdata, inclusief ruis, en daardoor slecht generaliseert naar nieuwe, ongeziene data. Het verhogen van de L2 (weight decay) hyperparameter is een effectieve regularisatietechniek die helpt overfitting te verminderen. L2-regularisatie voegt een penaltyterm toe aan de verliesfunctie, die grote gewichten bestraft en het model dwingt eenvoudigere oplossingen te vinden. Het verhogen van de momentum-hyperparameter kan de convergentiesnelheid beïnvloeden, maar pakt overfitting niet direct aan. Het verlagen van de dropoutrate-hyperparameter zou overfitting juist kunnen verergeren, omdat dropout een andere regularisatietechniek is die willekeurig neuronen uitschakelt tijdens training. Het verlagen van de learningrate-hyperparameter kan helpen bij het vinden van een beter minimum, maar is geen primaire oplossing voor overfitting.