Kedileri tespit etmek için denetimli bir görüntü sınıflandırıcı eğitiyorsunuz. Toplam 1.000 görüntünüz ve 100 görüntüden oluşan sabit bir test setiniz var. Yanlış sınıflandırmaların %75'inden fazlasının, sahipleri kedileri baş aşağı tuttuğunda meydana geldiğini gözlemliyorsunuz. Bu tür bir hatayı özellikle hangi teknik azaltacaktır?

Modeliniz, kedilerin baş aşağı olduğu görüntülerde hata yapıyorsa, bu durum modelin bu tür varyasyonları eğitim verisinde yeterince görmediğini gösterir. Döndürme varyasyonları olan görüntüler ekleyerek eğitim verilerini artırmak (veri büyütme), modelin farklı oryantasyonlardaki kedileri tanımasını öğrenmesine yardımcı olur ve genelleme yeteneğini artırır. Eğitim epoch sayısını artırmak, modelin mevcut veriyi daha iyi öğrenmesini sağlayabilir ancak yeni varyasyonları görmediği için bu spesifik hatayı düzeltmez. Sinir ağına daha fazla katman eklemek, modelin karmaşıklığını artırabilir ancak yine de eksik veri varyasyonunu ele almaz. Sondan bir önceki katmandaki dropout oranını artırmak, aşırı uyumu azaltmaya yardımcı olabilir ancak modelin baş aşağı kedileri tanımasını doğrudan öğretmez.