Специалист по машинному обучению создает модель компьютерного зрения для классификации 10 категорий дорожных знаков. Команда имеет 100 размеченных изображений на класс, хранящихся в Amazon S3, и дополнительно 10 000 неразмеченных изображений. Все изображения имеют размер 224×224 и получены с видеорегистраторов. После нескольких тренировочных запусков модель переобучается на тренировочных данных. Какие действия должен предпринять специалист, чтобы уменьшить переобучение? (Выберите два.)

Переобучение часто возникает из-за недостатка данных или их однородности. Использование Amazon SageMaker Ground Truth для разметки 10 000 неразмеченных изображений значительно увеличит объем обучающих данных, что поможет модели лучше обобщать и снизить переобучение. Применение аугментации данных (например, поворотов, сдвигов, масштабирования) искусственно расширяет набор обучающих данных, создавая новые вариации существующих изображений. Это помогает модели стать более устойчивой к небольшим изменениям во входных данных и уменьшает переобучение. Преобразование изображений в оттенки серого уменьшит размерность данных, но не обязательно решит проблему переобучения, а может даже ухудшить производительность, если цвет является важной характеристикой. Изменение функции активации последнего слоя на сигмоиду подходит для бинарной классификации, а не для 10 классов. Использование k-NN для разметки неразмеченных изображений является формой псевдоразметки, которая может быть менее надежной, чем ручная разметка, и не гарантирует улучшения качества данных.