Producent zidentyfikował 8 klas defektów i dostarczył około 100 000 obrazów dla każdej klasy. Podczas trenowania model osiąga 90% dokładności trenowania, ale tylko 80% dokładności walidacji, podczas gdy wydajność na poziomie ludzkim wynosi około 90%. Co należy zbadać, aby zmniejszyć tę różnicę?

Różnica między wysoką dokładnością treningową (90%) a niższą dokładnością walidacyjną (80%), zwłaszcza gdy wydajność ludzka wynosi 90%, wskazuje na nadmierne dopasowanie (overfitting). Model nauczył się zbyt szczegółowo danych treningowych, tracąc zdolność do generalizacji na nowe, niewidziane dane. Regularyzacja (np. L1, L2, dropout) to techniki, które zniechęcają model do nadmiernego dopasowania, dodając karę za złożoność lub losowo wyłączając neurony podczas treningu, co poprawia jego zdolność do generalizacji. Trenowanie dłużej może pogłębić problem nadmiernego dopasowania. Zwiększenie pojemności sieci bez regularyzacji również zwiększy ryzyko nadmiernego dopasowania. Wypróbowanie innego optymalizatora może pomóc w konwergencji, ale nie bezpośrednio rozwiązuje problem nadmiernego dopasowania.