Przetwórca owoców potrzebuje klasyfikatora do kategoryzowania jabłek na trzy odmiany. Posiada 150 oznaczonych obrazów dla każdej klasy i zastosował uczenie transferowe, używając sieci wstępnie wytrenowanej na ImageNet. Po dostrojeniu, najlepsze wyniki to: 68% dokładności treningowej i 67% dokładności walidacyjnej. Jakie działanie powinien podjąć specjalista, aby poprawić dokładność?

Poprawna odpowiedź to zebranie i dodanie większej liczby oznaczonych obrazów treningowych, a następnie ponowne wytrenowanie modelu uczenia transferowego w celu zmniejszenia błędu systematycznego. Niska dokładność treningowa (68%) i walidacyjna (67%), które są do siebie bardzo zbliżone, wskazują na wysoki błąd systematyczny (underfitting). Zwiększenie ilości danych treningowych jest skuteczną metodą redukcji błędu systematycznego, ponieważ model ma więcej przykładów do nauki. Otworzenie modelu w notatniku i uruchomienie zautomatyzowanego zadania optymalizacji hiperparametrów (HPO) może pomóc, ale przy tak niskiej dokładności podstawowej, problemem jest prawdopodobnie niedostateczna ilość danych lub zbyt prosta architektura, a nie tylko hiperparametry. Przełączenie się na głębszą sieć może zwiększyć wariancję, ale przy underfittingu może to nie być optymalne rozwiązanie, a nawet pogorszyć problem, jeśli danych jest za mało. Ponowne wytrenowanie nowego modelu z tą samą architekturą i zbiorem danych nie poprawi dokładności, ponieważ problemem jest niedostateczna ilość danych lub niedopasowanie modelu do danych.