一个预测实时广告出价的线性模型出现过拟合，团队需要减少特征集。哪种方法既能减少特征又能防止过拟合？

L1 正则化（Lasso 回归）通过在损失函数中添加特征权重绝对值之和的惩罚项来收缩模型系数，并将不重要的特征的系数收缩为零，从而实现特征选择和模型简化，有效防止过拟合。L2 正则化（Ridge 回归）也能防止过拟合，但它只是将系数收缩到接近零，而不会将其完全变为零，因此不能直接减少特征数量。Dropout 正则化主要用于神经网络，通过随机丢弃神经元来防止过拟合，不适用于线性模型。使用更多训练数据通常有助于减少过拟合，但如果数据收集成本高昂或不可行，则不是首选方法，且它本身不直接减少特征集。