Que outros métodos de combate ao overfitting, além do dropout, existem?

Para além do dropout, existem outros métodos para combater o sobreajuste:

• Regularização L1 e L2 — adicionar uma penalização à função de perda por pesos grandes do modelo, o que ajuda a evitar uma complexidade excessiva.
• Paragem precoce (Early Stopping) — parar o treino quando a qualidade no conjunto de validação deixa de melhorar.
• Aumento de dados (Data Augmentation) — criar exemplos de treino adicionais, por exemplo, usando transformações de imagens.
• Redução da complexidade do modelo — diminuir o número de parâmetros ou camadas, para que o modelo não possa ajustar-se demasiado ao ruído.
• Validação cruzada — ajuda a escolher os parâmetros do modelo que minimizam o sobreajuste.
• Bagging e ensemble — combinar vários modelos para reduzir o sobreajuste.

Exemplo de regularização L2 em Python usando sklearn:

from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0)  # alpha — coeficiente de regularização L2
model.fit(X_train, y_train)