Model ryzyka kredytowego wykazuje 99% dokładności treningowej, ale tylko 82% dokładności walidacyjnej. Firma musi zniwelować tę różnicę w wydajności przed wdrożeniem. Jakie środki zaradzą nadmiernemu dopasowaniu (overfitting) i poprawią generalizację?

Model wykazuje nadmierne dopasowanie (overfitting), ponieważ ma wysoką dokładność treningową, ale niską walidacyjną. Wdrożenie warstw dropout losowo wyłącza neurony podczas treningu, co zapobiega współadaptacji i poprawia generalizację. Regularyzacja L1 lub L2 dodaje karę do funkcji straty za duże wagi, co zniechęca model do nadmiernego dopasowania do danych treningowych. Walidacja krzyżowa k-krotna pomaga ocenić wydajność modelu na różnych podzbiorach danych, dając bardziej wiarygodny obraz jego zdolności do generalizacji. Dodanie większej liczby warstw lub zwiększenie złożoności modelu pogłębiłoby overfitting. PCA, zmniejszenie liczby warstw lub zmiana funkcji straty nie są bezpośrednimi metodami walki z overfittingiem w tym kontekście. Rozszerzenie zbioru danych treningowych może pomóc, ale nie jest to główna metoda walki z overfittingiem w przypadku już istniejących danych.