Ubezpieczyciel wytrenował wbudowany model wykrywania obiektów Amazon SageMaker (TensorFlow) w celu znajdowania zadrapań i wgnieceń na zdjęciach samochodów. Model wykazuje znacznie lepszą wydajność w zbiorze treningowym niż w zbiorze testowym. Które działanie jest najbardziej odpowiednie, aby poprawić wydajność modelu na danych testowych (walidacyjnych)?

Model, który działa znacznie lepiej na zbiorze treningowym niż na testowym, wykazuje nadmierne dopasowanie (overfitting). Zwiększenie hiperparametru L2 (weight decay) jest formą regularyzacji, która karze duże wagi modelu, zmuszając go do uczenia się prostszych wzorców i zmniejszając jego złożoność. To pomaga zapobiegać nadmiernemu dopasowaniu i poprawia generalizację modelu na niewidocznych danych testowych. Zwiększenie momentum może przyspieszyć zbieżność, ale niekoniecznie rozwiąże problem nadmiernego dopasowania. Zmniejszenie dropoutrate zmniejszyłoby regularyzację, pogarszając nadmierne dopasowanie. Zmniejszenie learningrate może spowolnić trening i pomóc w znalezieniu lepszego minimum, ale nie jest to bezpośrednia metoda walki z nadmiernym dopasowaniem w takim stopniu jak L2.