Un especialista en ML construye un modelo de puntuación de crédito utilizando 3 años de transacciones y metadatos de terceros, pero encuentra baja precisión tanto en los conjuntos de entrenamiento como en los de prueba. ¿Qué acciones mejorarían la precisión del modelo? (Elija dos).

La baja precisión tanto en los conjuntos de entrenamiento como en los de prueba sugiere un problema de "underfitting" (subajuste). Aumentar las épocas/pasadas de entrenamiento permite que el modelo aprenda más de los datos existentes, y el ajuste de hiperparámetros optimiza el rendimiento del modelo. Esto puede mejorar la capacidad del modelo para capturar patrones. Añadir nuevas características específicas del dominio (ingeniería de características) proporciona al modelo información más relevante y predictiva. Cambiar a arquitecturas de modelo más complejas (por ejemplo, de regresión lineal a redes neuronales) puede permitir que el modelo aprenda relaciones más intrincadas en los datos. Las opciones incorrectas sugieren acciones que empeorarían el underfitting o no lo abordarían eficazmente. Por ejemplo, reducir los datos de entrenamiento o las pasadas de entrenamiento, o aumentar la regularización, agravaría el underfitting.