Você está construindo um modelo de regressão logística para prever a rotatividade de clientes usando 100 recursos numéricos contínuos. O marketing não tem orientação sobre quais recursos são importantes e deseja um modelo interpretável que mostre como os recursos afetam o resultado. Durante o treinamento, você observa uma grande diferença entre a precisão do treinamento e da validação. Quais duas ações irão (1) reduzir o overfitting e (2) apoiar a interpretabilidade dos recursos? (Escolha duas.)

Adicionar regularização L1 (Lasso) é correto porque penaliza a magnitude dos coeficientes, podendo zerar os menos importantes. Isso reduz o overfitting e simplifica o modelo, tornando-o mais interpretável ao destacar os recursos mais relevantes. Realizar eliminação recursiva de recursos (RFE) também é correto, pois identifica e remove iterativamente os recursos menos importantes, resultando em um subconjunto de recursos mais robusto e interpretável, além de mitigar o overfitting. Adicionar mais recursos aumentaria o risco de overfitting. t-SNE e LDA são técnicas de redução de dimensionalidade que transformam os recursos, mas não necessariamente os tornam mais interpretáveis individualmente, e podem dificultar a atribuição direta da importância de cada recurso original.