Un modelo de ML predice bien la rotación de clientes en los datos de entrenamiento, pero falla con los datos nuevos. ¿Qué cambio es el más probable para solucionar este problema de sobreajuste?

El sobreajuste ocurre cuando un modelo aprende el ruido y los detalles específicos de los datos de entrenamiento, lo que le impide generalizar bien a datos nuevos e invisibles. Aumentar el parámetro de regularización (por ejemplo, en la regularización L1 o L2) penaliza los coeficientes grandes de las características, lo que obliga al modelo a ser más simple y menos propenso a memorizar los datos de entrenamiento. Disminuir el parámetro de regularización permitiría un modelo más complejo, lo que exacerbaría el sobreajuste. Añadir más características de entrada sin un manejo cuidadoso puede aumentar la complejidad del modelo y el riesgo de sobreajuste. Entrenar el modelo durante más épocas también puede llevar a un mayor sobreajuste, ya que el modelo tiene más oportunidades de memorizar los datos de entrenamiento.