Una red neuronal profunda se ajusta bien a los datos de entrenamiento, pero funciona mal con los datos de prueba. ¿Cuál de las siguientes opciones debería considerar para reducir el sobreajuste? (Elija tres).

El sobreajuste ocurre cuando un modelo aprende el ruido y los detalles específicos de los datos de entrenamiento, lo que lleva a un bajo rendimiento en datos no vistos (prueba). Aumentar la regularización (por ejemplo, L1 o L2) penaliza los pesos grandes del modelo, lo que lo hace más simple y menos propenso a sobreajustarse. Aumentar el dropout desactiva aleatoriamente un porcentaje de neuronas durante el entrenamiento, lo que obliga a la red a aprender representaciones más robustas y evita la codependencia entre neuronas. Reducir el número de interacciones de características disminuye la complejidad del modelo, limitando su capacidad para memorizar los datos de entrenamiento. Disminuir la regularización o el dropout, o aumentar las interacciones de características, harían que el modelo fuera más complejo y tendrían el efecto contrario, aumentando el sobreajuste.