Stai costruendo un modello di regressione logistica per prevedere l'abbandono dei clienti utilizzando 100 feature numeriche continue. Il reparto marketing non ha indicazioni su quali feature siano importanti e desidera un modello interpretabile che mostri come le feature influenzano il risultato. Durante l'addestramento si osserva un ampio divario tra l'accuratezza di addestramento e quella di validazione. Quali due azioni (1) ridurranno l'overfitting e (2) supporteranno l'interpretabilità delle feature? (Scegliere due.)

La regolarizzazione L1 (Lasso) aggiunge un termine di penalità basato sul valore assoluto dei coefficienti, spingendo i coefficienti delle feature meno importanti a zero. Questo riduce l'overfitting e, poiché solo un sottoinsieme di feature avrà coefficienti non nulli, migliora l'interpretabilità del modello, indicando quali feature sono più rilevanti. L'eliminazione ricorsiva delle feature (RFE) è una tecnica di selezione delle feature che addestra ripetutamente il modello e rimuove le feature meno importanti fino a raggiungere il numero desiderato. Questo semplifica il modello, riducendo l'overfitting e rendendolo più interpretabile, poiché identifica esplicitamente le feature più influenti. Aggiungere più feature aumenterebbe l'overfitting. t-SNE e LDA sono tecniche di riduzione della dimensionalità che creano nuove feature trasformate, rendendo difficile l'interpretazione delle feature originali.