Bir üreticinin 8 hata sınıfı vardır ve her sınıf için yaklaşık 100.000 görüntü sağlamıştır. Eğitim sırasında model %90 eğitim doğruluğuna ulaşırken, doğrulama doğruluğu yalnızca %80'dir ve insan seviyesi performans yaklaşık %90'dır. Bu farkı gidermek için neyi araştırmalısınız?

Modelin eğitim doğruluğu yüksek (%90), ancak doğrulama doğruluğu düşük (%80) ve insan seviyesi performansına (%90) yakın bir boşluk var. Bu durum, modelin eğitim verilerine aşırı uyum sağladığını (overfitting) gösterir. Aşırı uyumu azaltmanın en etkili yollarından biri düzenlileştirme (regularization) teknikleri uygulamaktır. Düzenlileştirme, modelin karmaşıklığını azaltarak genelleme yeteneğini artırır. Daha uzun süre eğitmek aşırı uyumu daha da kötüleştirebilir. Ağ kapasitesini artırmak da genellikle aşırı uyumu artırma eğilimindedir, çünkü daha büyük bir model eğitim verilerini daha kolay ezberleyebilir. Farklı bir iyileştirici denemek, yakınsama hızını veya nihai eğitim kaybını etkileyebilir, ancak doğrudan aşırı uyum sorununu çözmez.