Uma rede neural profunda se ajusta bem aos dados de treinamento, mas tem um desempenho ruim nos dados de teste. Quais das seguintes opções você deve considerar para reduzir o overfitting? (Escolha três.)

Overfitting ocorre quando um modelo aprende os dados de treinamento tão bem que não generaliza para novos dados. Aumentar a regularização (L1 ou L2) penaliza pesos grandes, incentivando um modelo mais simples. Aumentar o 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 interações de recursos (feature interactions) diminui a complexidade do modelo, tornando-o menos propenso a memorizar ruídos nos dados de treinamento. Diminuir a regularização ou o dropout, ou aumentar as interações de recursos, aumentaria a complexidade do modelo e, consequentemente, o overfitting.