您正在訓練一個監督式影像分類器來偵測貓咪。您總共有 1,000 張影像，其中包含 100 張固定的測試集影像。您觀察到超過 75% 的錯誤分類發生在主人將貓咪倒著抱的時候。哪種技術可以專門減少這種類型的錯誤？

正確答案是透過增加帶有旋轉變化的影像來增加訓練資料。這種技術稱為資料擴增 (data augmentation)，它能透過生成原始資料的變體來增加訓練資料集的大小和多樣性，例如旋轉、翻轉或縮放影像。由於模型在倒置貓咪影像上表現不佳，引入更多此類變體將有助於模型學習這些新的方向，從而提高其泛化能力並減少此類錯誤。 增加訓練週期 (epochs) 的數量可能導致過度擬合，尤其是在資料量不足以涵蓋所有變化的情況下。為神經網路增加更多層會增加模型的複雜度，但也可能導致過度擬合，並且不一定能解決模型對特定方向不敏感的問題。增加倒數第二層的 dropout rate 是一種正則化技術，旨在減少過度擬合，但它並不能直接解決模型在特定資料變體上表現不佳的問題。