Ein Regressionsmodell zur Vorhersage von Hauspreisen wurde angepasst, aber es schneidet sowohl bei den Trainings- als auch bei den Testdaten schlecht ab (hoher Fehler bei beiden). Welche Maßnahmen sollte der Data Scientist ergreifen, um die Modellgenauigkeit zu verbessern? Wählen Sie drei aus.

Das Modell leidet unter Underfitting (hohe Bias), da es sowohl auf Trainings- als auch auf Testdaten schlecht abschneidet. Underfitting bedeutet, dass das Modell zu einfach ist, um die zugrunde liegende Beziehung in den Daten zu lernen. 1. Die Regularisierungsstärke des Modells verringern: Eine hohe Regularisierungsstärke bestraft komplexe Modelle und vereinfacht sie. Durch Verringern der Regularisierung kann das Modell komplexer werden und die Daten besser lernen. Das Erhöhen der Regularisierungsstärke würde das Problem verschlimmern. 2. Die Anzahl der für das Training verwendeten Beispiele erhöhen: Mehr Trainingsdaten können dem Modell helfen, robustere Muster zu lernen und die Generalisierungsfähigkeit zu verbessern, insbesondere wenn die Trainingsdaten zuvor spärlich waren. 3. Die Anzahl der Eingabemerkmale erhöhen (weitere relevante Merkmale hinzufügen): Wenn das Modell zu einfach ist, fehlen ihm möglicherweise wichtige Informationen. Das Hinzufügen relevanter Merkmale kann die Vorhersagekraft des Modells erheblich verbessern. Das Verringern der Merkmale würde das Modell weiter vereinfachen. 4. Das Erhöhen der Testbeispiele hilft nicht direkt bei der Verbesserung der Modellgenauigkeit, sondern liefert lediglich eine stabilere Schätzung der bereits vorhandenen Leistung.