Een zorgbedrijf traint een neuraal netwerk om röntgenfoto's te classificeren als normaal of abnormaal. De dataset bevat 1.000 gelabelde trainingsafbeeldingen en 200 testafbeeldingen. Een netwerk met 50 verborgen lagen behaalt 99% nauwkeurigheid op de trainingsset, maar slechts 55% nauwkeurigheid op de testset. Welke van de volgende wijzigingen moet de specialist overwegen om dit probleem aan te pakken? (Kies drie.)

De hoge nauwkeurigheid op de trainingsset (99%) en lage nauwkeurigheid op de testset (55%) duiden op overfitting. Het model heeft de trainingsdata te goed 'uit het hoofd geleerd' en generaliseert niet goed naar nieuwe, ongeziene data. 1. Verminder het aantal verborgen lagen: Een netwerk met 50 verborgen lagen is zeer complex voor een dataset van 1.000 afbeeldingen en draagt bij aan overfitting. Minder lagen verminderen de modelcomplexiteit. 2. Schakel dropout regularization in: Dropout schakelt willekeurig een deel van de neuronen uit tijdens de training, wat het model dwingt robuustere kenmerken te leren en overfitting tegengaat. 3. Schakel early stopping in tijdens de training: Early stopping monitort de prestaties op een validatieset en stopt de training wanneer de prestaties op die set beginnen te verslechteren, wat voorkomt dat het model overfit. Het verhogen van het aantal verborgen lagen zou overfitting verergeren. Een kleinere learning rate kan helpen bij convergentie, maar pakt de kern van overfitting niet direct aan. Het toevoegen van testafbeeldingen aan de trainingsset is een slechte praktijk omdat het de testset invalideert en geen echte generalisatie toestaat.