Está construyendo un modelo de regresión logística para predecir la rotación de clientes utilizando 100 características numéricas continuas. Marketing no tiene orientación sobre qué características son importantes y quiere un modelo interpretable que muestre cómo las características afectan el resultado. Durante el entrenamiento, observa una gran brecha entre la precisión de entrenamiento y la de validación. ¿Qué dos acciones (1) reducirán el sobreajuste y (2) apoyarán la interpretabilidad de las características? (Elija dos).

Añadir regularización L1 (Lasso) es correcto porque penaliza los coeficientes grandes, forzando a algunos a ser cero, lo que reduce el sobreajuste y selecciona automáticamente las características más importantes, mejorando la interpretabilidad. La eliminación recursiva de características (RFE) es correcta porque identifica y elimina iterativamente las características menos importantes, simplificando el modelo, reduciendo el sobreajuste y haciendo que las características restantes sean más interpretables. Añadir más características es incorrecto porque probablemente aumentaría el sobreajuste. t-SNE es incorrecto porque es una técnica de visualización no lineal que no produce características interpretables ni reduce el sobreajuste de esta manera. LDA es incorrecto porque es una técnica de reducción de dimensionalidad que crea nuevas características combinadas, perdiendo la interpretabilidad de las características originales.