Переработчику фруктов нужен классификатор для разделения яблок на три сорта. У него есть 150 размеченных изображений для каждого класса, и он применил трансферное обучение, используя предобученную сеть ImageNet. После настройки лучшие результаты были следующими: точность обучения 68% и точность валидации 67%. Какое действие должен предпринять специалист для повышения точности?

Низкая точность обучения (68%) и валидации (67%) указывает на высокое смещение (underfitting). Модель недостаточно хорошо изучила закономерности в данных. Добавление большего количества размеченных обучающих изображений является эффективным способом уменьшения смещения, поскольку это дает модели больше примеров для обучения и обобщения. Автоматизированная оптимизация гиперпараметров (HPO) может помочь, но при таком низком уровне точности смещение, вероятно, является более фундаментальной проблемой, чем неоптимальные гиперпараметры. Переключение на более глубокую сеть может увеличить дисперсию (overfitting), что противоположно текущей проблеме. Переобучение той же модели с тем же набором данных не решит проблему смещения, так как модель уже не смогла извлечь достаточно информации из имеющихся данных.