Um modelo de ML prevê bem a rotatividade de clientes em dados de treinamento, mas falha em novos dados. Qual mudança provavelmente corrigirá esse problema de overfitting?

O overfitting ocorre quando um modelo aprende os dados de treinamento tão bem que inclui o ruído e os detalhes específicos, falhando em generalizar para novos dados. Aumentar o parâmetro de regularização (como L1 ou L2) penaliza a complexidade do modelo, forçando-o a aprender padrões mais gerais e simples, o que ajuda a reduzir o overfitting. Diminuir o parâmetro de regularização faria o oposto, permitindo um modelo mais complexo e exacerbando o overfitting. Adicionar mais recursos de entrada pode aumentar a complexidade e potencialmente piorar o overfitting, a menos que os recursos sejam cuidadosamente selecionados. Treinar o modelo por mais épocas também pode levar a um overfitting ainda maior, pois o modelo teria mais oportunidades de memorizar os dados de treinamento.