Вы обучаете контролируемый классификатор изображений для обнаружения кошек. У вас есть 1000 изображений и фиксированный тестовый набор из 100 изображений. Вы заметили, что более 75% ошибок классификации происходит, когда владельцы держат кошек вверх ногами. Какая техника специально уменьшит этот тип ошибки?

Правильный ответ — увеличить объем обучающих данных, добавив изображения с вариациями поворота. Это называется аугментацией данных. Поскольку модель ошибается при классификации кошек, перевернутых вверх ногами, добавление таких изображений в обучающий набор поможет модели научиться распознавать кошек в различных ориентациях, тем самым уменьшая ошибки. Увеличение количества эпох обучения может помочь модели лучше сойтись, но не решит проблему, если данные не содержат достаточного разнообразия. Добавление большего количества слоев в нейронную сеть может увеличить ее способность к обучению, но также может привести к переобучению и не решит проблему отсутствия данных об ориентации. Увеличение частоты отсева (dropout rate) используется для предотвращения переобучения, а не для обучения модели новым вариациям данных.