Bonne réponse
- CAppliquer une régularisation
Explication
La précision parfaite du modèle à l'entraînement (100 %) associée à une mauvaise précision de validation (60 %) est un signe classique de surapprentissage (overfitting), où le modèle a mémorisé les données d'entraînement au lieu d'apprendre des motifs généralisables. Les techniques de régularisation (par exemple, régularisation L1/L2, dropout) pénalisent les poids importants ou suppriment aléatoirement des neurones pendant l'entraînement, ce qui force le réseau à apprendre des caractéristiques plus simples et plus robustes et réduit le surapprentissage sur de petits jeux de données.
Pour aller plus loin
L'écart entre 100 % de précision à l'entraînement et 60 % de précision à la validation est un surapprentissage classique : le réseau a mémorisé le bruit et les particularités d'un petit échantillon au lieu d'apprendre des motifs généralisables. La régularisation restreint la complexité du modèle, par exemple les pénalités de poids L1 ou L2, le dropout ou l'arrêt anticipé, ce qui réduit la variance et réduit généralement l'écart entre entraînement et validation. L'ajout d'époques ou de couches cachées augmente la capacité et aggrave le surapprentissage, et l'augmentation du taux d'apprentissage peut déstabiliser l'entraînement. Un scénario réaliste est un classificateur d'imagerie médicale entraîné sur quelques centaines de scans qui obtient un score parfait sur les données d'entraînement mais échoue sur de nouveaux patients ; la régularisation, ainsi que plus de données ou l'augmentation, restaure des performances de validation utiles avant le déploiement.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 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.