Model głębokiego uczenia do analizy sentymentu, wytrenowany przez specjalistę ML na recenzjach filmów, wykazuje nadmierne dopasowanie (overfitting) po walidacji. Które działania najbardziej poprawią generalizację i zmniejszą nadmierne dopasowanie? (Wybierz trzy.)

Przeuczenie (overfitting) oznacza, że model zbyt dobrze nauczył się danych treningowych, tracąc zdolność do generalizacji na nowe, niewidziane dane. Dodanie regularyzacji L1 i L2 pomaga zapobiegać przeuczeniu poprzez dodawanie kary do funkcji kosztu, co zniechęca model do przypisywania zbyt dużych wag cechom, promując prostsze modele. Regularyzacja dropout losowo wyłącza neurony podczas treningu, co zmusza sieć do uczenia się bardziej odpornych reprezentacji i zapobiega nadmiernemu poleganiu na konkretnych neuronach. Zmniejszenie liczby warstw w sieci redukuje złożoność modelu, co bezpośrednio ogranicza jego zdolność do zapamiętywania szumu w danych treningowych, poprawiając generalizację. Pozostałe opcje są mniej skuteczne lub mogą pogorszyć sytuację: tasowanie danych z innym ziarnem losowym nie wpływa na złożoność modelu ani jego zdolność do generalizacji. Zmniejszenie współczynnika uczenia może spowolnić trening, ale niekoniecznie rozwiąże problem przeuczenia. Dodanie więcej warstw zwiększyłoby złożoność modelu, pogłębiając problem przeuczenia.