Um especialista em ML constrói um modelo de pontuação de crédito usando 3 anos de transações e metadados de terceiros, mas encontra baixa precisão nos conjuntos de treinamento e teste. Quais ações melhorariam a precisão do modelo? (Escolha duas.)

A baixa precisão nos conjuntos de treinamento e teste indica underfitting (subajuste), onde o modelo não aprendeu suficientemente os padrões dos dados. Aumentar as épocas/passagens de treinamento permite que o modelo veja os dados mais vezes e ajuste seus pesos, potencialmente melhorando a aprendizagem. O ajuste de hiperparâmetros otimiza o desempenho do modelo para a tarefa específica. Adicionar novos recursos específicos do domínio (feature engineering) fornece ao modelo mais informações relevantes para aprender. Mudar para arquiteturas de modelo mais complexas (por exemplo, de regressão linear para redes neurais mais profundas) aumenta a capacidade do modelo de capturar relações não-lineares e padrões intrincados nos dados. As outras opções são incorretas porque: Aumentar a regularização ou reduzir combinações de recursos geralmente combate o overfitting (sobreajuste), o oposto do problema aqui. Reduzir dados de treinamento ou épocas agravaria o underfitting.