一家保險公司訓練了一個 Amazon SageMaker 內建的物件偵測模型 (TensorFlow)，用於在汽車照片中尋找刮痕和凹痕。該模型在訓練集上的表現遠優於在測試集上的表現。哪種做法最適合改善模型在測試 (驗證) 資料上的表現？

模型在訓練集上表現良好，但在測試集上表現不佳，這表示模型過度擬合 (overfitting)。過度擬合的模型記住了訓練資料的特定模式，而無法泛化到未見過的資料。L2 正則化 (weight decay) 是一種常用的技術，用於懲罰模型中的大權重，從而減少模型的複雜性並防止過度擬合。增加 L2 超參數會對大權重施加更大的懲罰，促使模型學習更簡單、更泛化的模式，從而改善其在測試資料上的表現。 增加 momentum 超參數通常用於加速訓練收斂，與過度擬合的解決方案無直接關係。降低 dropoutrate 會減少正則化效果，可能加劇過度擬合。降低 learningrate 主要影響訓練速度和收斂性，而非直接解決過度擬合。