Bonne réponse
- BAppliquer une régularisation
Explication
La précision d'entraînement élevée (99%) associée à une précision de test nettement inférieure (70%) est un symptôme classique de surapprentissage (overfitting), où le modèle mémorise les données d'entraînement au lieu d'apprendre des motifs généralisables. La régularisation (Option B) est la technique de première ligne pour lutter contre le surapprentissage en ajoutant une pénalité à la fonction de perte (par exemple, la régularisation L1 ou L2), ce qui décourage des frontières de décision trop complexes. Dans Amazon SageMaker, cela peut être implémenté via des hyperparamètres tels que `l1` ou `l2` dans les algorithmes intégrés ou en ajoutant des couches de dropout dans un framework personnalisé.
Pour aller plus loin
Un écart de 99% à l'entraînement contre 70% au test est un surapprentissage classique : le modèle a mémorisé le bruit d'entraînement au lieu d'apprendre des motifs généralisables. La régularisation contraint la capacité du modèle en ajoutant une pénalité à la fonction de perte, telle que L2 (weight decay) ou L1, ou en utilisant le dropout dans les réseaux de neurones, ce qui force le réseau à distribuer les représentations plutôt qu'à dépendre de neurones spécifiques. Dans SageMaker, cela est exposé via des hyperparamètres comme weight_decay dans les estimateurs intégrés XGBoost ou Linear Learner. C'est la première étape présentant le risque le plus faible car elle ne nécessite pas plus de données ni une architecture différente, et elle cible directement la composante de variance de l'erreur, tandis que l'augmentation de la complexité aggraverait l'écart.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AIF-C01 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.