Um modelo de regressão para prever preços de casas foi ajustado, mas apresenta desempenho ruim nos conjuntos de treinamento e teste (alto erro em ambos). Quais ações o cientista de dados deve tomar para melhorar a precisão do modelo? Selecione três.

O modelo apresenta alto erro tanto nos dados de treinamento quanto nos de teste, indicando um problema de underfitting (subajuste). Diminuir a força de regularização do modelo permite que ele se ajuste mais aos dados, reduzindo o viés. Aumentar a regularização seria para overfitting. Aumentar o número de exemplos de treinamento fornece mais dados para o modelo aprender padrões, o que é crucial para resolver o underfitting. Aumentar o número de características de entrada relevantes pode dar ao modelo mais informações para fazer previsões precisas, abordando a simplicidade do modelo que causa o underfitting. Diminuir as características ou aumentar o número de exemplos de teste não resolveria o problema de underfitting.