Se ajustó un modelo de regresión para predecir los precios de las casas, pero su rendimiento es deficiente tanto en los conjuntos de entrenamiento como en los de prueba (alto error en ambos). ¿Qué acciones debería tomar el científico de datos para mejorar la precisión del modelo? Seleccione tres.

El alto error tanto en los conjuntos de entrenamiento como de prueba indica un sesgo alto, también conocido como underfitting. Para combatir el underfitting: 1. Disminuir la fuerza de regularización del modelo: La regularización penaliza la complejidad del modelo. Reducirla permite que el modelo se ajuste más a los datos de entrenamiento, disminuyendo el sesgo. Aumentar la regularización (opción incorrecta) empeoraría el underfitting. 2. Aumentar el número de ejemplos de entrenamiento utilizados para el ajuste: Más datos de entrenamiento pueden ayudar al modelo a aprender patrones más complejos y generalizables, reduciendo el sesgo. 3. Aumentar el número de características de entrada (añadir características más relevantes): Proporcionar al modelo más información relevante sobre el problema puede permitirle capturar mejor la relación entre las características y el precio de la casa, reduciendo el underfitting. Disminuir las características (opción incorrecta) podría aumentar el sesgo. Aumentar los ejemplos de prueba es irrelevante para el rendimiento del modelo, solo para su evaluación.