Bir sağlık şirketi, X-ışınlarını normal veya anormal olarak sınıflandırmak için bir sinir ağı eğitiyor. Veri seti 1.000 etiketli eğitim görüntüsü ve 200 test görüntüsü içeriyor. 50 gizli katmana sahip bir ağ, eğitim setinde %99 doğruluk elde ederken, test setinde yalnızca %55 doğruluk elde ediyor. Uzman, bu sorunu çözmek için aşağıdaki değişikliklerden hangilerini değerlendirmelidir? (Üç tane seçin.)

Eğitim setinde yüksek doğruluk (%99) ve test setinde düşük doğruluk (%55) aşırı öğrenmeye (overfitting) işaret eder. Aşırı öğrenme, modelin eğitim verilerini ezberlemesi ancak genelleme yapamaması durumudur. Gizli katman sayısını azaltmak, modelin karmaşıklığını düşürerek aşırı öğrenmeyi engellemeye yardımcı olur. Dropout regularization, eğitim sırasında rastgele nöronları devre dışı bırakarak modelin belirli özelliklere aşırı bağımlı olmasını önler ve genelleme yeteneğini artırır. Erken durdurma (early stopping), doğrulama setindeki performans kötüleşmeye başladığında eğitimi durdurarak modelin aşırı öğrenmesini engeller. Gizli katman sayısını artırmak, modelin karmaşıklığını daha da artırarak aşırı öğrenmeyi kötüleştirebilir. Daha küçük bir öğrenme oranı, yakınsama süresini uzatabilir ancak aşırı öğrenmeyi doğrudan çözmez. Test görüntülerini eğitim setine dahil etmek, test setinin bağımsızlığını ortadan kaldırır ve modelin genelleme yeteneğini doğru bir şekilde değerlendirmeyi imkansız hale getirir.