Głęboka sieć neuronowa dobrze pasuje do danych treningowych, ale słabo radzi sobie z danymi testowymi. Które z poniższych należy rozważyć, aby zmniejszyć overfitting? (Wybierz trzy.)

Głęboka sieć neuronowa, która dobrze pasuje do danych treningowych, ale słabo radzi sobie z danymi testowymi, wykazuje overfitting (przeuczenie). Aby temu zaradzić, należy: 1. Zwiększyć regularyzację: Regularyzacja (np. L1 lub L2) dodaje karę do funkcji kosztu za duże wagi, co zniechęca model do nadmiernego dopasowywania się do danych treningowych i promuje prostsze modele. Zmniejszenie regularyzacji miałoby odwrotny skutek. 2. Zwiększyć dropout: Dropout losowo wyłącza neurony podczas treningu, co zmusza sieć do uczenia się bardziej odpornych reprezentacji i zapobiega współadaptacji neuronów. Zmniejszenie dropoutu zwiększyłoby ryzyko przeuczenia. 3. Zmniejszyć liczbę interakcji cech: Zbyt wiele ręcznie tworzonych interakcji cech może prowadzić do nadmiernej złożoności modelu i zwiększać ryzyko overfittingu, zwłaszcza jeśli te interakcje nie są istotne dla problemu. Zmniejszenie ich liczby upraszcza model.