Wydajność walidacji prostej sieci neuronowej początkowo się poprawia, ale następnie pogarsza się po pewnej liczbie epok. Które z poniższych zmian pomogłyby zapobiec tej degradacji? (Wybierz dwie odpowiedzi.)

Pogorszenie wydajności walidacji po pewnej liczbie epok wskazuje na przetrenowanie (overfitting). Wczesne zatrzymywanie (early stopping) jest techniką regularyzacji, która przerywa trening, gdy wydajność na zbiorze walidacyjnym przestaje się poprawiać, zapobiegając dalszemu przetrenowaniu. Zwiększenie współczynników dropout również pomaga w redukcji overfittingu, losowo wyłączając neurony podczas treningu, co zmusza sieć do uczenia się bardziej robustnych cech. Dodanie większej liczby warstw lub neuronów na warstwę może zwiększyć złożoność modelu, co często pogarsza overfitting, zamiast go łagodzić. Błąd systematyczny (model bias) odnosi się do niedouczenia (underfitting) i nie jest główną przyczyną pogorszenia wydajności walidacji po początkowej poprawie.