Sie erstellen ein logistisches Regressionsmodell, um die Kundenabwanderung anhand von 100 kontinuierlichen numerischen Merkmalen vorherzusagen. Die Marketingabteilung hat keine Anhaltspunkte, welche Merkmale relevant sind, und wünscht sich ein interpretierbares Modell, das zeigt, wie sich Merkmale auf das Ergebnis auswirken. Während des Trainings beobachten Sie eine große Lücke zwischen der Trainings- und Validierungsgenauigkeit. Welche zwei Maßnahmen werden (1) Overfitting reduzieren und (2) die Interpretierbarkeit der Merkmale unterstützen? (Wählen Sie zwei aus.)

L1-Regularisierung (Lasso) reduziert Overfitting, indem sie die Koeffizienten irrelevanter Merkmale auf Null setzt, was zu einem sparsameren Modell führt. Dies verbessert die Interpretierbarkeit, da nur die wichtigsten Merkmale im Modell verbleiben. Die rekursive Merkmalseliminierung (RFE) entfernt iterativ die am wenigsten wichtigen Merkmale, bis die gewünschte Anzahl erreicht ist. Dies reduziert die Modellkomplexität und Overfitting und erhöht die Interpretierbarkeit, da das Modell auf die relevantesten Merkmale fokussiert wird. Das Hinzufügen weiterer Merkmale würde Overfitting verschlimmern. t-SNE und LDA sind Dimensionsreduktionstechniken, die die Interpretierbarkeit der ursprünglichen Merkmale erschweren, da sie neue, transformierte Merkmale erzeugen.