Модель, обученная на ~10 000 контролируемых изображений, хорошо подходит для обучающего набора, но плохо работает на невидимых тестовых изображениях (ошибка обучения уменьшается с эпохами, в то время как тестовая ошибка остается высокой). Какие действия помогут решить эту проблему? (Выберите два.)

Проблема, когда модель хорошо работает на обучающих данных, но плохо на тестовых, называется переобучением. Это происходит, когда модель слишком сильно "запоминает" обучающие примеры, вместо того чтобы изучать общие закономерности. 1. Использование аугментации данных для обучающих изображений: Аугментация данных (например, повороты, масштабирование, сдвиги, изменение яркости) искусственно увеличивает размер обучающего набора и разнообразие данных. Это помогает модели стать более устойчивой к вариациям и лучше обобщать на невидимые данные, тем самым снижая переобучение. 2. Добавление L2 (весовой) регуляризации в модель: L2-регуляризация добавляет штраф к функции потерь, пропорциональный квадрату значений весов модели. Это побуждает модель использовать меньшие веса, что делает ее менее сложной и менее склонной к переобучению, так как она не может слишком сильно полагаться на отдельные признаки. Добавление затухающего градиента не является стандартным термином в контексте решения переобучения. Увеличение сложности архитектуры нейронной сети, наоборот, может усугубить переобучение. Применение проверки градиента — это метод отладки, а не способ борьбы с переобучением.