一位機器學習專家正在建構一個電腦視覺模型，用於分類 10 種交通標誌類別。團隊在 Amazon S3 中儲存了每個類別 100 張已標記的影像，以及額外 10,000 張未標記的影像。所有影像都是來自行車記錄器的 224x224 像素。經過幾次訓練執行後，模型出現了訓練資料過度擬合的情況。專家應該採取哪些措施來減少過度擬合？(選擇兩項)

模型在訓練資料上過度擬合，表示模型記住了訓練資料的特定模式，但無法泛化到新資料。 增加訓練資料量是減少過度擬合的有效方法。使用 Amazon SageMaker Ground Truth 標記額外的 10,000 張未標記影像，可以顯著擴充訓練資料集，讓模型學習更廣泛的特徵。 資料擴增 (例如旋轉和位移) 透過從現有影像生成新的變體，間接增加了訓練資料的多樣性。這有助於模型學習對這些變換具有不變性的特徵，從而提高泛化能力。 將影像轉換為灰階會丟失顏色資訊，這對於交通標誌分類可能很重要，且不一定能解決過度擬合問題。將最後一層的啟用函數變更為 sigmoid 適用於二元分類，而此處是 10 類分類，通常使用 softmax。Amazon SageMaker k-NN 演算法是一種分類器，而不是用於影像標記的服務。