一个机器学习模型在训练数据上能很好地预测客户流失，但在新数据上表现不佳。以下哪项更改最有可能解决这种过拟合问题？

过拟合是指模型在训练数据上表现良好，但在未见过的新数据上表现不佳。这通常是因为模型过于复杂，学习了训练数据中的噪声和特有模式。 增大正则化参数是解决过拟合的有效方法。正则化通过向模型的损失函数添加一个惩罚项来限制模型的复杂度，从而阻止模型过度拟合训练数据。 减小正则化参数会使模型更复杂，从而加剧过拟合。增加更多输入特征可能会使模型更复杂，进一步导致过拟合，除非这些特征能提供真正有用的信息。训练模型更多个周期（epoch）可能会导致模型过度学习训练数据，从而加剧过拟合。