Un modèle de régression pour prédire les prix des maisons a été ajusté, mais il donne de mauvais résultats sur les ensembles d'entraînement et de test (erreur élevée sur les deux). Quelles actions le data scientist devrait-il entreprendre pour améliorer la précision du modèle ? Sélectionnez-en trois.

Des erreurs élevées sur les ensembles d'entraînement et de test indiquent un sous-apprentissage (biais élevé). Pour y remédier, il faut augmenter la capacité du modèle à apprendre des données. Diminuer la force de régularisation réduit la pénalité sur la complexité du modèle, lui permettant de mieux s'adapter aux données d'entraînement. Augmenter le nombre d'exemples d'entraînement fournit plus d'informations au modèle, l'aidant à apprendre des relations plus robustes. Ajouter des caractéristiques d'entrée plus pertinentes enrichit le modèle avec des informations supplémentaires qui peuvent être cruciales pour prédire les prix des maisons. Augmenter la force de régularisation ou diminuer le nombre de caractéristiques aggraverait le sous-apprentissage. Augmenter les exemples de test n'améliore pas la précision du modèle, mais seulement la fiabilité de son évaluation.