Un spécialiste ML construit un modèle de notation de crédit en utilisant 3 ans de données de transaction et de métadonnées tierces, mais constate une faible précision sur les ensembles d'entraînement et de test. Quelles actions amélioreraient la précision du modèle ? (Choisissez-en deux.)

Une faible précision sur les ensembles d'entraînement et de test indique un sous-apprentissage, où le modèle n'a pas appris les relations sous-jacentes dans les données. Augmenter les époques d'entraînement et ajuster les hyperparamètres (comme le taux d'apprentissage ou la taille du lot) peut aider le modèle à mieux converger et à apprendre des motifs plus complexes. L'ajout de nouvelles caractéristiques spécifiques au domaine fournit au modèle des informations plus pertinentes, tandis que l'utilisation d'architectures de modèle plus complexes (par exemple, des réseaux neuronaux plus profonds ou des modèles d'ensemble) lui permet de capturer des relations non linéaires et des interactions plus sophistiquées. Les options incorrectes suggèrent des actions qui aggraveraient le sous-apprentissage (réduire les données ou les passes d'entraînement), ou qui sont plus pertinentes pour le surapprentissage (augmenter la régularisation, réduire les combinaisons de caractéristiques).