Je hebt een beeldclassificatiemodel getraind en ziet tekenen van overfitting: 99% trainingsnauwkeurigheid, maar slechts 75% testnauwkeurigheid. Welke wijziging moet je aanbrengen en waarom?

De hoge trainingsnauwkeurigheid en lage testnauwkeurigheid duiden op overfitting, wat betekent dat het model de trainingsdata te goed heeft geleerd en moeite heeft met het generaliseren naar nieuwe, ongeziene data. Dropout is een effectieve regularisatietechniek die willekeurig een deel van de neuronen uitschakelt tijdens de training, waardoor het model minder afhankelijk wordt van specifieke kenmerken en robuuster wordt. Door de dropout rate te verhogen, dwing je het model om meer algemene patronen te leren, wat het generalisatievermogen verbetert. Het verhogen van de learning rate is bedoeld om een lokaal minimum te ontsnappen, maar is niet de primaire oplossing voor overfitting. Het vergroten van de dimensionaliteit van de dense layer zou de modelcomplexiteit verder verhogen, wat overfitting juist kan verergeren. Het verhogen van het aantal epochs zou de overfitting waarschijnlijk ook verergeren, omdat het model dan nog meer kans krijgt om de trainingsdata uit het hoofd te leren.