Specjalista ML buduje model wizji komputerowej do klasyfikacji 10 kategorii znaków drogowych. Zespół ma 100 oznaczonych obrazów na klasę przechowywanych w Amazon S3 oraz dodatkowe 10 000 nieoznaczonych obrazów. Wszystkie obrazy mają rozmiar 224×224 i pochodzą z kamer samochodowych. Po kilku uruchomieniach treningowych model nadmiernie dopasowuje się do danych treningowych. Jakie działania powinien podjąć specjalista, aby zmniejszyć nadmierne dopasowanie? (Wybierz dwie odpowiedzi)

Nadmierne dopasowanie (overfitting) często wynika z niewystarczającej ilości danych treningowych lub zbyt złożonego modelu. Zwiększenie ilości danych treningowych to skuteczna strategia. Użycie Amazon SageMaker Ground Truth do etykietowania dodatkowych 10 000 nieoznaczonych obrazów znacząco zwiększy zbiór danych treningowych, pomagając modelowi lepiej uogólniać. Rozszerzanie danych (data augmentation), takie jak rotacje i translacje, sztucznie powiększa zbiór danych treningowych poprzez tworzenie zmodyfikowanych wersji istniejących obrazów, co również zmniejsza nadmierne dopasowanie. Konwersja obrazów na skalę szarości zmniejsza ilość informacji, co może pogorszyć wydajność. Zmiana funkcji aktywacji ostatniej warstwy na sigmoid jest nieodpowiednia dla klasyfikacji wieloklasowej (10 kategorii), gdzie zazwyczaj używa się softmax. Algorytm k-NN nie jest przeznaczony do automatycznego etykietowania dużych zbiorów danych w kontekście wizji komputerowej.