Un modello di sentiment deep-learning di uno specialista ML, addestrato su recensioni di film, mostra overfitting dopo la validazione. Quali azioni miglioreranno maggiormente la generalizzazione e ridurranno l'overfitting? (Scegliere tre.)

L'overfitting si verifica quando un modello impara troppo bene i dati di addestramento, perdendo la capacità di generalizzare a nuovi dati. Aggiungere la regolarizzazione L1 e L2 penalizza i pesi grandi, scoraggiando il modello dall'attribuire troppa importanza a singole caratteristiche. La regolarizzazione dropout disattiva casualmente un sottoinsieme di neuroni durante l'addestramento, impedendo al modello di fare affidamento eccessivo su specifici percorsi e migliorando la robustezza. Ridurre il numero di layer nella rete neurale semplifica il modello, diminuendo la sua capacità di memorizzare i dati di addestramento e favorendo la generalizzazione. Mescolare il dataset non risolve l'overfitting, ma assicura che i batch di addestramento siano rappresentativi. Ridurre il learning rate può aiutare a convergere meglio, ma non affronta direttamente l'overfitting. Aggiungere più layer aumenterebbe la complessità del modello, peggiorando l'overfitting.