Je traint een supervised image classifier om katten te detecteren. Je hebt in totaal 1.000 afbeeldingen en een vaste testset van 100 afbeeldingen. Je merkt op dat meer dan 75% van de misclassificaties optreden wanneer eigenaren katten ondersteboven houden. Welke techniek zal dit type fout specifiek verminderen?

De meest effectieve techniek om misclassificaties van ondersteboven gehouden katten te verminderen, is het vergroten van de trainingsdata met rotatievariaties. Dit leert het model om katten te herkennen, ongeacht hun oriëntatie, door de variabiliteit in de trainingsset te vergroten. Het verhogen van het aantal training epochs kan leiden tot overfitting als het model al voldoende getraind is, en pakt het specifieke probleem van rotatie-invariantie niet direct aan. Meer lagen toevoegen aan het neuraal netwerk kan de modelcomplexiteit verhogen, maar garandeert geen verbetering voor dit specifieke type fout. Het verhogen van de dropout rate kan overfitting verminderen, maar helpt niet specifiek bij het herkennen van gedraaide objecten.