O desempenho de uma Rede Neural Multicamadas (MLP) é profundamente influenciado por sua capacidade, que é largamente determinada pelos seus hiperparâmetros arquiteturais, como o número de camadas e de neurônios. Um modelo com capacidade excessiva para um dado problema tende a exibir alta variância, manifestando o fenômeno do sobreajuste (overfitting): ele memoriza o ruído e as particularidades do conjunto de treinamento, resultando em um erro baixo neste conjunto, mas um desempenho pobre em dados não vistos (validação/teste). A mitigação do sobreajuste é um desafio central e envolve o emprego de técnicas de regularização e a adequação da complexidade do modelo à complexidade dos dados.Fonte: adaptado de: HASTIE, T.; TIBSHIRANI, R.; FRIEDMAN, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2. ed. Chambersburg: Springer, 2009.Um engenheiro de machine learning treinou uma MLP para um problema de classificação e observou que o modelo alcançou 99% de acurácia no conjunto de treinamento, mas apenas 75% no conjunto de validação. Considerando este claro sintoma de sobreajuste, sobre as estratégias para mitigar o problema, analise as afirmativas a seguir:I. Uma estratégia válida para combater esse sobreajuste é a introdução de camadas de Dropout entre as camadas densas. O Dropout, ao desativar aleatoriamente neurônios durante o treinamento, força a rede a aprender representações mais redundantes e robustas. II. Reduzir a complexidade da arquitetura, diminuindo o número de camadas ocultas ou o número de neurônios por camada, pode ser uma abordagem eficaz, pois restringe a capacidade do modelo de memorizar o ruído nos dados de treinamento. III. Aumentar o número de épocas de treinamento de forma substancial provavelmente ajudará o modelo a generalizar melhor para os dados de validação, pois permite que os pesos convirjam para valores mais ótimos. IV. A adição de regularização L2 (Weight Decay) à função de custo do modelo é uma medida apropriada, pois essa técnica penaliza pesos de grande mag