Prática de ML: classificação de imagens

Como evitar o overfitting

Como em qualquer modelo de aprendizado de máquina, uma das principais preocupações ao treinar uma rede neural convolucional é o overfitting: um modelo tão ajustado aos detalhes dos dados de treinamento que não consegue generalizar para novos exemplos. Duas técnicas para evitar o ajuste excessivo ao criar uma CNN são:

• Aumento de dados: aumentar artificialmente a diversidade e o número de exemplos de treinamento realizando transformações aleatórias em imagens existentes para criar um conjunto de novas variantes (consulte a Figura 7). O aumento de dados é especialmente útil quando o conjunto de dados de treinamento original é relativamente pequeno.
• Regularização de dropout: remoção aleatória de unidades da rede neural durante uma etapa de gradiente de treinamento.

Para saber mais sobre a regularização de desistência, consulte Treinar redes neurais usando retropropagação no Curso intensivo de machine learning.

Figura 7. Aumento de dados em uma única imagem de cachorro (extraída do conjunto de dados"Dogs vs. Cats" disponível no Kaggle). Esquerda: imagem original do cachorro do conjunto de treinamento. Certo: nove novas imagens geradas a partir da imagem original usando transformações aleatórias.

O overfitting é mais preocupante ao trabalhar com conjuntos de dados de treinamento menores. Ao trabalhar com com grandes conjuntos de dados (por exemplo, milhões de imagens), a aplicação de dropout é desnecessária, e o valor do aumento de dados também é diminuído.

Termos-chave

ampliação de dados	Regularização por dropout
ajuste excessivo