Trenujesz nadzorowany klasyfikator obrazów do wykrywania kotów. Masz łącznie 1000 obrazów i stały zestaw testowy składający się ze 100 obrazów. Zauważasz, że ponad 75% błędnych klasyfikacji występuje, gdy właściciele trzymają koty do góry nogami. Jaka technika konkretnie zmniejszy ten typ błędu?

Poprawna odpowiedź to zwiększenie danych treningowych poprzez dodanie obrazów z wariacjami rotacji. Problem polega na tym, że klasyfikator ma trudności z rozpoznawaniem kotów w nietypowych orientacjach. Augmentacja danych, w tym przypadku rotacja obrazów, sztucznie zwiększa różnorodność zbioru treningowego, eksponując model na koty w różnych pozycjach. Dzięki temu model uczy się być bardziej odporny na zmiany orientacji obiektów, co bezpośrednio adresuje zidentyfikowany typ błędu. Zwiększenie liczby epok treningowych może prowadzić do przeuczenia, jeśli dane treningowe nie są wystarczająco zróżnicowane. Dodanie większej liczby warstw do sieci neuronowej zwiększa złożoność modelu, ale niekoniecznie rozwiązuje problem braku reprezentatywności danych. Zwiększenie współczynnika dropout w przedostatniej warstwie jest techniką regularyzacji, która pomaga zapobiegać przeuczeniu, ale nie uczy modelu rozpoznawania nowych wzorców, takich jak obrócone koty.