Wytrenowałeś model klasyfikacji obrazów i widzisz oznaki przeuczenia: 99% dokładności treningowej, ale tylko 75% dokładności testowej. Jaką zmianę należy wprowadzić i dlaczego?

Prawidłowa odpowiedź to zwiększenie współczynnika dropout w warstwie flatten. Duża różnica między dokładnością treningową (99%) a testową (75%) wskazuje na przeuczenie (overfitting). Model zbyt dobrze zapamiętał dane treningowe, tracąc zdolność do generalizacji na nowe, niewidziane dane. Dropout losowo wyłącza neurony podczas treningu, co zmusza sieć do uczenia się bardziej robustnych cech i zmniejsza współzależności między neuronami, poprawiając zdolność generalizacji. Zwiększenie współczynnika uczenia jest nieprawidłowe, ponieważ problemem nie jest utknięcie w minimum lokalnym, lecz przeuczenie. Zwiększenie złożoności modelu poprzez zwiększenie rozmiaru warstwy dense pogłębiłoby problem przeuczenia. Zwiększenie liczby epok również pogorszyłoby przeuczenie, ponieważ model miałby więcej czasu na zapamiętanie danych treningowych.