Das Deep-Learning-Sentiment-Modell eines ML-Spezialisten, das auf Filmkritiken trainiert wurde, zeigt nach der Validierung ein Overfitting. Welche Maßnahmen verbessern die Generalisierung am meisten und reduzieren das Overfitting? (Wählen Sie drei.)

Overfitting tritt auf, wenn ein Modell zu komplex ist und das Trainingsrauschen lernt, anstatt die zugrunde liegenden Muster zu verallgemeinern. L1- und L2-Regularisierung (Gewichtsabnahme) fügen der Verlustfunktion einen Term hinzu, der große Gewichte bestraft, was die Modellkomplexität reduziert und die Generalisierung verbessert. Dropout-Regularisierung schaltet während des Trainings zufällig einen Prozentsatz der Neuronen aus, was das Netzwerk zwingt, robustere Merkmale zu lernen und die Abhängigkeit von einzelnen Neuronen zu verringern. Die Reduzierung der Anzahl der Schichten im Netzwerk verringert direkt die Modellkomplexität und damit das Risiko des Overfittings. Das Mischen des Datensatzes mit einem anderen Zufalls-Seed ist wichtig für die Validierung, reduziert aber nicht direkt das Overfitting. Die Reduzierung der Lernrate kann die Konvergenz verbessern, verhindert aber nicht direkt Overfitting. Das Hinzufügen weiterer Schichten würde die Modellkomplexität erhöhen und das Overfitting verschlimmern.