Медицинская компания обучает нейронную сеть для классификации рентгеновских снимков как нормальных или аномальных. Набор данных содержит 1000 размеченных обучающих изображений и 200 тестовых изображений. Сеть с 50 скрытыми слоями достигает 99% точности на обучающем наборе, но только 55% точности на тестовом наборе. Какие из следующих изменений следует рассмотреть специалисту для решения этой проблемы? (Выберите три.)

Высокая точность на обучающем наборе (99%) и низкая на тестовом (55%) указывает на переобучение (overfitting). Уменьшение количества скрытых слоев (или узлов в слоях) снижает сложность модели, помогая ей лучше обобщать данные и уменьшая переобучение. Включение регуляризации dropout случайно отключает нейроны во время обучения, предотвращая чрезмерную зависимость модели от конкретных признаков и улучшая ее обобщающую способность. Включение ранней остановки прекращает обучение, когда производительность модели на валидационном наборе перестает улучшаться, предотвращая дальнейшее переобучение. Увеличение количества скрытых слоев усугубит переобучение. Использование меньшей скорости обучения не решит проблему переобучения напрямую, хотя может помочь найти лучший минимум функции потерь. Включение тестовых изображений в обучающий набор приведет к утечке данных и не даст реалистичной оценки производительности модели.