Você está treinando um classificador de spam e observa overfitting. Quais três ações ajudarão a reduzir o overfitting? (Escolha três.)

Overfitting ocorre quando um modelo aprende os detalhes e o ruído dos dados de treinamento a ponto de impactar negativamente o desempenho do modelo em dados novos. 1. Obter mais exemplos de treinamento: Mais dados de treinamento ajudam o modelo a aprender padrões mais generalizáveis, em vez de memorizar ruídos específicos do conjunto de treinamento. 2. Reduzir o número de exemplos de treinamento: Isso pioraria o overfitting, pois o modelo teria menos dados para aprender padrões gerais. 3. Usar um conjunto menor de recursos (features): A redução da dimensionalidade dos dados (seleção de features) simplifica o modelo, tornando-o menos propenso a aprender relações espúrias. 4. Usar um conjunto maior de recursos (features): Adicionar mais features pode aumentar a complexidade do modelo e, consequentemente, o risco de overfitting. 5. Aumentar o(s) parâmetro(s) de regularização: A regularização penaliza a complexidade do modelo, desencorajando pesos grandes e, assim, reduzindo o overfitting. 6. Diminuir o(s) parâmetro(s) de regularização: Isso permitiria que o modelo se tornasse mais complexo, aumentando o risco de overfitting.