一家水果加工商需要一個分類器，將蘋果分為三個品種。他們每個類別有 150 張帶標籤的圖像，並使用 ImageNet 預訓練網路應用了遷移學習。經過調整後，最佳結果為：訓練準確度 68%，驗證準確度 67%。專家應該採取什麼行動來提高準確度？

訓練準確度為 68%，驗證準確度為 67%，這表示模型表現不佳，且存在高偏差（underfitting）。模型未能從現有資料中充分學習。增加更多帶標籤的訓練圖像通常是解決高偏差的有效方法，因為它能提供模型更多樣化的學習機會，從而提高其泛化能力和準確度。 自動化超參數優化 (HPO) 在模型已經有一定學習能力時更有效，但目前模型學習不足，調整超參數可能無法顯著改善根本問題。切換到更深的網路會增加模型複雜度，可能導致過度擬合（overfitting），而非解決當前的高偏差問題。使用相同的網路架構和資料集重新訓練，結果很可能相同，因為問題不在於訓練過程本身，而在於資料量不足或模型學習能力受限。