Vous construisez un modèle de régression logistique pour prédire le désabonnement des clients en utilisant 100 caractéristiques numériques continues. Le service marketing n'a aucune idée des caractéristiques importantes et souhaite un modèle interprétable montrant comment les caractéristiques affectent le résultat. Pendant l'entraînement, vous observez un grand écart entre la précision de l'entraînement et celle de la validation. Quelles sont les deux actions qui (1) réduiront le surapprentissage et (2) favoriseront l'interprétabilité des caractéristiques ? (Choisissez-en deux.)

L'ajout d'une régularisation L1 (Lasso) réduit le surapprentissage en pénalisant les coefficients des caractéristiques, forçant certains à zéro, ce qui sélectionne les caractéristiques les plus importantes et rend le modèle plus parcimonieux et interprétable. L'élimination récursive des caractéristiques (RFE) réduit également le surapprentissage en supprimant itérativement les caractéristiques les moins importantes, simplifiant ainsi le modèle et améliorant son interprétabilité. Ajouter plus de caractéristiques augmenterait le surapprentissage. Le t-SNE est une technique de réduction de dimensionnalité non linéaire principalement utilisée pour la visualisation, et non pour l'interprétabilité directe du modèle ou la réduction du surapprentissage dans ce contexte. La LDA est une technique de réduction de dimensionnalité linéaire qui peut améliorer la séparation des classes, mais elle ne sélectionne pas les caractéristiques de manière explicite pour l'interprétabilité comme la L1 ou la RFE.