Страховая компания обучила встроенную модель Amazon SageMaker Object Detection (TensorFlow) для поиска царапин и вмятин на фотографиях автомобилей. Модель показывает гораздо лучшую производительность на обучающем наборе, чем на тестовом наборе. Какое действие наиболее уместно для улучшения производительности модели на тестовых (валидационных) данных?

Модель демонстрирует переобучение (overfitting), так как ее производительность на обучающем наборе значительно выше, чем на тестовом. Увеличение гиперпараметра L2 (weight decay) является эффективным методом регуляризации, который штрафует большие веса в модели, тем самым уменьшая ее сложность и предотвращая запоминание шума из обучающих данных. Это помогает модели лучше обобщать на невидимые данные. Увеличение momentum обычно ускоряет сходимость, но не борется с переобучением. Уменьшение dropoutrate снижает регуляризацию, что, вероятно, усугубит переобучение. Уменьшение learningrate может помочь модели найти более точный минимум, но само по себе не является прямой мерой против переобучения.