Un modelo lineal que predice las pujas de anuncios en tiempo real está sufriendo de sobreajuste (overfitting) y el equipo necesita reducir el conjunto de características (feature set). ¿Qué enfoque reducirá las características y evitará el sobreajuste?

La regularización L1 (Lasso) es la opción correcta porque, además de penalizar los coeficientes grandes para evitar el sobreajuste, tiene el efecto de la selección de características. Tiende a reducir los coeficientes de las características menos importantes a cero, eliminándolas efectivamente del modelo y reduciendo el conjunto de características. La regularización L2 (Ridge) penaliza los coeficientes grandes, pero generalmente no los reduce a cero, por lo que no realiza selección de características de forma explícita. La regularización de dropout es una técnica utilizada principalmente en redes neuronales para prevenir el sobreajuste, no en modelos lineales de la misma manera, y no reduce el conjunto de características. Entrenar con más datos de entrenamiento puede ayudar a mitigar el sobreajuste, pero no reduce el conjunto de características existente.