Firma z branży opieki zdrowotnej szkoli sieć neuronową do klasyfikowania zdjęć rentgenowskich jako normalnych lub nieprawidłowych. Zbiór danych zawiera 1000 oznakowanych obrazów treningowych i 200 obrazów testowych. Sieć z 50 ukrytymi warstwami osiąga 99% dokładności w zbiorze treningowym, ale tylko 55% dokładności w zbiorze testowym. Które z poniższych zmian powinien rozważyć specjalista, aby rozwiązać ten problem? (Wybierz trzy.)

Model osiągający wysoką dokładność na zbiorze treningowym (99%) i niską na zbiorze testowym (55%) wykazuje nadmierne dopasowanie (overfitting). Zmniejszenie liczby ukrytych warstw redukuje złożoność modelu, pomagając mu lepiej uogólniać. Regularyzacja dropout losowo wyłącza neurony podczas treningu, co zapobiega współadaptacji i wymusza na sieci uczenie się bardziej robustnych cech. Wczesne zatrzymywanie przerywa trening, gdy wydajność modelu na zbiorze walidacyjnym przestaje się poprawiać, co zapobiega nadmiernemu dopasowaniu. Zwiększenie liczby warstw pogłębiłoby problem nadmiernego dopasowania. Użycie mniejszej szybkości uczenia może pomóc, ale nie jest głównym rozwiązaniem problemu nadmiernego dopasowania. Dołączenie obrazów testowych do zbioru treningowego zanieczyściłoby zbiór testowy i uniemożliwiłoby rzetelną ocenę modelu.