您正在构建一个逻辑回归模型，使用100个连续数值特征来预测客户流失。市场部门没有关于哪些特征重要的指导，并希望模型具有可解释性，以显示特征如何影响结果。在训练过程中，您观察到训练准确率和验证准确率之间存在很大差距。以下哪两项措施将（1）减少过拟合，以及（2）支持特征可解释性？（选择两项。）

L1 (Lasso) 正则化通过向损失函数添加系数绝对值之和的惩罚项来减少过拟合。它鼓励模型将不重要特征的系数收缩到零，从而实现特征选择（稀疏性），这有助于提高模型的可解释性，因为它明确指出了哪些特征对预测贡献最大。递归特征消除（RFE）是一种特征选择方法，它通过迭代地训练模型并移除重要性最低的特征来减少过拟合。通过选择最重要的特征子集，RFE简化了模型，使其更容易理解每个特征对结果的影响。添加更多特征通常会增加过拟合的风险。t-SNE和LDA是降维技术，它们将高维数据映射到低维空间，但它们通常会创建新的、难以解释的特征组合，而不是直接支持原始特征的可解释性。