Model uczenia głębokiego ulega przetrenowaniu (dobrze działa na danych treningowych, słabo na nowych danych). Które działanie poprawi generalizację na nowe dane?

Przetrenowanie (overfitting) oznacza, że model zbyt dobrze nauczył się szumu i specyfiki danych treningowych, tracąc zdolność do generalizacji na nowe, niewidziane dane. Zwiększenie rozmiaru zbioru danych treningowych dostarcza modelowi więcej przykładów, co pomaga mu uczyć się bardziej ogólnych wzorców, a nie tylko zapamiętywać dane treningowe. Zmniejszenie liczby cech wejściowych (redukcja wymiarowości) upraszcza model, redukując jego złożoność i zmniejszając ryzyko dopasowania się do szumu. Pozostałe opcje są nieprawidłowe, ponieważ: Zwiększenie liczby cech wejściowych bez odpowiedniego zwiększenia danych może pogłębić przetrenowanie. Zmniejszenie rozmiaru zbioru danych treningowych niemal zawsze pogarsza problem przetrenowania, ponieważ model ma mniej danych do nauki ogólnych wzorców.