Un modèle ML prédit bien le désabonnement des clients sur les données d'entraînement, mais échoue sur les nouvelles données. Quel changement est le plus susceptible de corriger ce problème de surapprentissage ?

Le surapprentissage se produit lorsque le modèle apprend trop bien les données d'entraînement, y compris le bruit, ce qui le rend incapable de généraliser à de nouvelles données. Augmenter le paramètre de régularisation pénalise les poids importants du modèle, le forçant à être plus simple et à moins mémoriser les données d'entraînement, améliorant ainsi sa capacité de généralisation. Diminuer le paramètre de régularisation rendrait le modèle encore plus complexe, aggravant le surapprentissage. Ajouter plus de caractéristiques d'entrée pourrait augmenter la complexité et potentiellement le surapprentissage si elles ne sont pas pertinentes. Entraîner le modèle sur plus d'époques sans régularisation adéquate intensifierait également le surapprentissage.