您正在训练一个垃圾邮件分类器，并观察到过拟合。以下哪三项措施有助于减少过拟合？（选择三项。）

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。 获取更多训练样本：增加训练数据量可以帮助模型学习更泛化的模式，而不是仅仅记住训练数据中的噪声和特有细节，从而减少过拟合。 使用更小的特征集：减少特征数量可以降低模型的复杂性。当特征过多时，模型可能会学习到与目标变量无关的噪声特征，导致过拟合。 增加正则化参数：正则化通过向模型的损失函数添加惩罚项来限制模型的复杂度。增加正则化参数会更严格地惩罚大的模型权重，迫使模型变得更简单，从而有效抑制过拟合。 减少训练样本的数量和使用更大的特征集会加剧过拟合。减少正则化参数则会降低对模型复杂度的限制，也容易导致过拟合。