Model wytrenowany na około 10 000 kontrolowanych obrazów dobrze pasuje do zestawu treningowego, ale słabo radzi sobie z niewidzianymi obrazami testowymi (błąd treningowy maleje wraz z epokami, podczas gdy błąd testowy pozostaje wysoki). Które działania pomogą rozwiązać ten problem? (Wybierz dwie odpowiedzi.)

Problem opisany w pytaniu to klasyczny przykład przetrenowania (overfittingu), gdzie model zbyt dobrze uczy się danych treningowych, tracąc zdolność generalizacji do nowych, niewidzianych danych. Zastosowanie data augmentation (rozszerzania danych) na obrazach treningowych jest skutecznym rozwiązaniem, ponieważ sztucznie zwiększa różnorodność i ilość danych treningowych. Generowanie nowych wariantów istniejących obrazów (np. przez obroty, skalowanie, odbicia) pomaga modelowi nauczyć się bardziej ogólnych cech, zamiast zapamiętywać konkretne przykłady. Dodanie regularyzacji L2 (wagowej) do modelu również przeciwdziała przetrenowaniu. Regularyzacja L2 dodaje karę do funkcji kosztu proporcjonalną do kwadratu wartości wag. Zmusza to model do używania mniejszych wag, co prowadzi do prostszych modeli i zmniejsza ich wrażliwość na szum w danych treningowych. Dodanie vanishing gradient nie jest techniką rozwiązywania przetrenowania, a raczej problemem, który może wystąpić w głębokich sieciach. Zwiększenie złożoności architektury sieci neuronowej pogłębiłoby problem przetrenowania. Gradient checking służy do weryfikacji poprawności implementacji wstecznej propagacji, a nie do rozwiązywania przetrenowania.