Um modelo linear que prevê lances de anúncios em tempo real está sofrendo de overfitting e a equipe precisa reduzir o conjunto de recursos. Qual abordagem reduzirá os recursos e evitará o overfitting?

A regularização L1 (Lasso) é a abordagem correta porque ela não apenas penaliza coeficientes grandes, mas também pode forçá-los a zero, realizando a seleção de características e reduzindo o número de recursos utilizados pelo modelo. Isso é eficaz para combater o overfitting, pois simplifica o modelo. A regularização L2 (Ridge) penaliza coeficientes grandes, mas raramente os força a zero, o que significa que ela não realiza a seleção de características da mesma forma que a L1. O dropout é uma técnica de regularização usada principalmente em redes neurais, não sendo a escolha mais direta para modelos lineares com o objetivo de reduzir o conjunto de recursos. Treinar com mais dados de treinamento pode ajudar a reduzir o overfitting, mas não aborda diretamente a necessidade de reduzir o conjunto de recursos, que é um requisito explícito na pergunta.