O modelo de sentimento de deep learning de um especialista em ML, treinado em avaliações de filmes, apresenta overfitting após a validação. Quais ações melhorarão mais a generalização e reduzirão o overfitting? (Escolha três.)

Overfitting ocorre quando um modelo aprende demais os detalhes e o ruído dos dados de treinamento, prejudicando sua capacidade de generalizar para dados novos. Adicionar regularização L1 e L2 penaliza pesos grandes, incentivando modelos mais simples e menos propensos a memorizar. A regularização de dropout desativa aleatoriamente neurônios durante o treinamento, forçando a rede a aprender representações mais robustas e menos dependentes de neurônios específicos. Reduzir o número de camadas na rede diminui a complexidade do modelo, limitando sua capacidade de se ajustar excessivamente aos dados de treinamento. Embaralhar o conjunto de dados com uma seed diferente não aborda o overfitting diretamente, apenas a ordem dos dados. Reduzir a taxa de aprendizado pode ajudar na convergência, mas não é uma medida primária contra o overfitting. Adicionar mais camadas aumentaria a complexidade, piorando o overfitting.