Bir sigortacı, araba fotoğraflarındaki çizikleri ve göçükleri bulmak için Amazon SageMaker yerleşik bir Object Detection modeli (TensorFlow) eğitti. Model, eğitim setinde test setine göre çok daha iyi performans gösteriyor. Modelin test (doğrulama) verileri üzerindeki performansını artırmak için en uygun eylem hangisidir?

Modelin eğitim setinde test setine göre çok daha iyi performans göstermesi, modelin aşırı uyum (overfitting) yaşadığını gösterir. Aşırı uyum, modelin eğitim verilerini ezberlemesi ve yeni, görünmeyen verilere genelleme yapamaması durumudur. L2 regülarizasyonu (ağırlık azaltma), modelin ağırlıklarını küçülterek karmaşıklığını azaltır ve bu sayede aşırı uyumu engellemeye yardımcı olur. Momentum hiperparametresini artırmak veya learningrate hiperparametresini azaltmak genellikle yakınsama hızını etkiler, aşırı uyumu doğrudan çözmez. dropoutrate hiperparametresini azaltmak ise aşırı uyumu daha da kötüleştirebilir, çünkü modelin her bir eğitim adımında daha fazla nöron kullanmasına izin verir ve bu da modelin eğitim verilerine daha fazla bağlanmasına neden olabilir.