Un modello lineare che predice le offerte pubblicitarie in tempo reale sta andando in overfitting e il team deve ridurre il set di funzionalità. Quale approccio ridurrà le funzionalità e preverrà l'overfitting?

La regolarizzazione L1 (o Lasso) è la scelta migliore perché non solo previene l'overfitting, ma esegue anche la selezione delle feature. Penalizza i coefficienti grandi e tende a ridurre a zero i coefficienti delle feature meno importanti, rimuovendole efficacemente dal modello. Questo riduce il set di feature come richiesto. La regolarizzazione L2 (o Ridge) previene l'overfitting penalizzando i coefficienti grandi, ma non li riduce a zero, quindi non esegue la selezione delle feature. Il dropout è una tecnica di regolarizzazione utilizzata principalmente nelle reti neurali, non nei modelli lineari tradizionali. Aggiungere più dati di training può aiutare a ridurre l'overfitting, ma non ridurrà il numero di feature nel modello.