一个深度神经网络非常适合训练数据，但在测试数据上表现不佳。您应该考虑以下哪些措施来减少过拟合？（选择三项。）

当模型在训练数据上表现良好但在测试数据上表现不佳时，这表明模型过拟合了。 增加正则化（如L1或L2正则化）通过向损失函数添加惩罚项来限制模型权重的大小，从而防止模型过度依赖训练数据中的特定模式。 增加 dropout 是一种正则化技术，它在训练过程中随机禁用神经网络中的一部分神经元。这迫使网络学习更鲁棒的特征表示，减少神经元之间的复杂共适应性，从而降低过拟合。 减少特征交互数量可以简化模型。过多的特征交互可能导致模型学习到训练数据中特有的复杂、不泛化的模式，从而加剧过拟合。简化特征可以帮助模型关注更重要的、泛化能力强的模式。 减少正则化和减少 dropout 会降低模型的约束，可能导致过拟合加剧。增加手动创建的特征交互数量会使模型更复杂，更容易过拟合。