线性回归模型在训练集上表现出极高的准确性，但在新的、未见过的数据上表现不佳。机器学习工程师应采取什么措施来解决这个问题？

模型在训练集上表现极好但在新数据上表现不佳是过拟合的典型症状。过拟合意味着模型学习了训练数据中的噪声和特有模式，而不是泛化规律。 正确选项通过应用交叉验证和正则化来解决过拟合。交叉验证可以更准确地评估模型在未见过数据上的性能，帮助识别过拟合。正则化（如L1或L2正则化）通过惩罚模型复杂度来防止过拟合，促使模型学习更泛化的特征。Amazon SageMaker Experiments 能够有效跟踪和比较不同模型版本（包括应用了不同正则化参数或交叉验证策略的模型）的性能指标，从而找到最佳模型。 其他选项不正确的原因： 增加模型复杂度会加剧过拟合，而不是解决它。 直接部署过拟合模型到生产环境会导致糟糕的性能。 简单地增加训练数据集大小不一定能解决过拟合，如果数据本身有噪声或模型复杂度过高，过拟合仍会发生。