NLP 中的回归问题，有 1 亿个带标签的样本；数据经过随机打乱并按 90/10 的比例进行训练/测试拆分。训练 RMSE 是测试 RMSE 的两倍。您应该如何提高模型性能？

训练 RMSE 是测试 RMSE 的两倍，这表明模型存在欠拟合（underfitting）问题，即模型未能充分学习训练数据中的模式。增加模型的复杂性，例如引入额外的层、增加词汇表或 n-gram 的大小，可以增强模型的学习能力，使其更好地捕捉数据中的复杂关系，从而降低训练 RMSE 并可能改善测试 RMSE。 增加测试样本的比例不会解决欠拟合问题，反而会减少训练数据，可能使模型学习不足。收集更多数据通常用于解决过拟合或数据不足的情况，但对于欠拟合，模型本身的学习能力是瓶颈。正则化技术（如 dropout 或 batch normalization）主要用于解决过拟合问题，通过限制模型的复杂性来防止模型过度记忆训练数据，这与当前欠拟合的情况相反。