El modelo de análisis de sentimiento de aprendizaje profundo de un especialista en ML, entrenado con reseñas de películas, muestra sobreajuste después de la validación. ¿Qué acciones mejorarán más la generalización y reducirán el sobreajuste? (Elija tres).

El sobreajuste ocurre cuando un modelo aprende el ruido y los detalles específicos del conjunto de entrenamiento, lo que reduce su capacidad para generalizar a datos nuevos. Añadir regularización L1 y L2 penaliza los pesos grandes del modelo, lo que ayuda a simplificarlo y evita que se ajuste demasiado a los datos de entrenamiento. La regularización de dropout desactiva aleatoriamente un porcentaje de neuronas durante el entrenamiento, lo que obliga a la red a aprender representaciones más robustas y menos dependientes de neuronas específicas. Reducir el número de capas en la red disminuye la complejidad del modelo, limitando su capacidad para memorizar el conjunto de entrenamiento y promoviendo una mejor generalización. Reducir la tasa de aprendizaje puede ayudar a la convergencia, pero no aborda directamente el sobreajuste. Añadir más capas aumentaría la complejidad del modelo, empeorando el sobreajuste. Barajar el conjunto de datos es una buena práctica, pero no es una técnica directa para combatir el sobreajuste.