一家網路公司訓練了一個深度學習多類別模型，在訓練資料上看到了 90% 的準確度，但在測試資料上卻只有 70%（過度擬合）。為了在部署前最大化驗證集和測試集的準確度，哪種做法最有可能幫助模型達到最佳泛化能力？

正確答案是「在訓練期間添加 L1 或 L2 regularization 並使用 dropout」。過度擬合（overfitting）表示模型在訓練資料上表現良好，但在未見過的新資料（如測試集）上表現不佳。L1 和 L2 regularization（正規化）透過懲罰大的權重值來限制模型的複雜度，而 Dropout 則隨機停用部分神經元，迫使模型學習更穩健的特徵。這些方法都能有效降低模型對訓練資料的依賴，提高泛化能力。 其他選項： 「在訓練期間增加形成 mini-batches 時的隨機性」：這有助於提高訓練的穩定性和收斂速度，但對解決過度擬合的效果有限。 「將資料集的更大份額分配給訓練」：這可能會加劇過度擬合，因為模型有更多資料可以記憶，而不是學習泛化模式。 「透過減少層數和神經元來縮小網路規模」：雖然這可以減少模型的複雜度，但如果縮減過多，可能會導致模型欠擬合（underfitting），無法捕捉資料中的重要模式。