Vous entraînez un classificateur de spam et observez un surapprentissage. Quelles sont les trois actions qui aideront à réduire le surapprentissage ? (Choisissez-en trois.)

Le surapprentissage (overfitting) se produit lorsque le modèle apprend trop bien le bruit et les détails spécifiques des données d'entraînement, ce qui nuit à sa capacité à généraliser sur de nouvelles données. Pour le réduire, on peut obtenir plus d'exemples d'entraînement, car un plus grand volume de données aide le modèle à apprendre les vrais motifs sous-jacents plutôt que le bruit. Utiliser un ensemble de caractéristiques plus petit simplifie le modèle, le rendant moins susceptible de mémoriser les données d'entraînement. Augmenter le(s) paramètre(s) de régularisation pénalise les poids de modèle importants, ce qui réduit la complexité du modèle. Réduire le nombre d'exemples d'entraînement ou utiliser un ensemble de caractéristiques plus grand aggraverait le surapprentissage. Diminuer la régularisation augmenterait également la complexité du modèle, favorisant le surapprentissage.