È stato adattato un modello di regressione per prevedere i prezzi delle case, ma le sue prestazioni sono scarse sia sui set di training che su quelli di test (errore elevato su entrambi). Quali azioni dovrebbe intraprendere il data scientist per migliorare l'accuratezza del modello? Selezionare tre.

Il modello ha prestazioni scarse sia sui set di training che su quelli di test (errore elevato su entrambi), indicando un problema di underfitting. L'underfitting si verifica quando il modello è troppo semplice per catturare la complessità dei dati. Per affrontare l'underfitting: Diminuire la forza di regolarizzazione del modello: La regolarizzazione penalizza la complessità del modello. Diminuendola, si consente al modello di diventare più complesso e di adattarsi meglio ai dati. Aumentare la forza di regolarizzazione aggraverebbe l'underfitting. Aumentare il numero di esempi di training utilizzati per l'adattamento: Più dati di training possono aiutare il modello a imparare pattern più complessi e a generalizzare meglio, riducendo l'underfitting. Aumentare il numero di feature di input (aggiungere feature più pertinenti): Fornire al modello più informazioni rilevanti (feature) può aiutarlo a costruire una rappresentazione più accurata della relazione tra input e output, riducendo l'underfitting. Diminuire il numero di feature potrebbe peggiorare l'underfitting. Aumentare il numero di esempi di test non migliora l'accuratezza del modello, ma solo la robustezza della sua valutazione.