Stai addestrando un classificatore di spam e osservi un overfitting. Quali tre azioni aiuteranno a ridurre l'overfitting? (Scegli tre.)

L'overfitting si verifica quando un modello impara troppo bene i dati di training, inclusi il rumore, e non riesce a generalizzare a nuovi dati. Ottenere più esempi di training fornisce al modello una visione più ampia della distribuzione dei dati, rendendo meno probabile che si adatti eccessivamente a specifici esempi. L'utilizzo di un set di funzionalità più piccolo riduce la complessità del modello, costringendolo a concentrarsi sulle caratteristiche più importanti e diminuendo la sua capacità di memorizzare il rumore. Aumentare i parametri di regolarizzazione (come L1 o L2) aggiunge una penalità alla complessità del modello durante l'addestramento, scoraggiando pesi eccessivamente grandi e promuovendo modelli più semplici. Ridurre gli esempi di training o aumentare le funzionalità/diminuire la regolarizzazione aumenterebbero l'overfitting.