Ein ML-Spezialist erstellt ein Kredit-Scoring-Modell unter Verwendung von Transaktions- und Drittanbieter-Metadaten aus 3 Jahren, stellt jedoch eine geringe Genauigkeit sowohl bei den Trainings- als auch bei den Testdatensätzen fest. Welche Maßnahmen würden die Modellgenauigkeit verbessern? (Wählen Sie zwei.)

Geringe Genauigkeit sowohl bei Trainings- als auch bei Testdatensätzen deutet auf Unteranpassung (Underfitting) hin. Um dies zu beheben, sollte man die Modellkapazität erhöhen. 1. Erhöhen Sie die Trainings-Epochen/Durchläufe auf den vorhandenen Daten und führen Sie mehr Hyperparameter-Tuning durch: Mehr Epochen ermöglichen es dem Modell, die Muster in den Daten besser zu lernen. Hyperparameter-Tuning hilft, die optimale Modellkonfiguration zu finden, die die Leistung maximiert. 2. Fügen Sie neue domänenspezifische Features hinzu und wechseln Sie zu komplexeren Modellarchitekturen: Neue, relevante Features liefern dem Modell zusätzliche Informationen, um bessere Vorhersagen zu treffen. Eine komplexere Modellarchitektur (z. B. ein tieferes neuronales Netz) kann komplexere Beziehungen in den Daten erfassen. Die anderen Optionen sind falsch, da sie entweder die Modellkomplexität reduzieren (was Unteranpassung verschlimmern würde) oder die Trainingsdatenmenge verringern, was ebenfalls kontraproduktiv wäre.