Un modello ML predice bene l'abbandono dei clienti sui dati di training, ma fallisce sui nuovi dati. Quale modifica è più probabile che risolva questo problema di overfitting?

L'overfitting si verifica quando un modello impara troppo bene i dettagli e il rumore dai dati di training, compromettendo la sua capacità di generalizzare a nuovi dati. Aumentare il parametro di regolarizzazione penalizza i pesi grandi nel modello, forzandolo a essere più semplice e meno incline a memorizzare il rumore, migliorando così la sua performance su dati non visti. Diminuire il parametro di regolarizzazione renderebbe il modello ancora più complesso, peggiorando l'overfitting. Aggiungere più funzionalità di input potrebbe aumentare la complessità e il rischio di overfitting, a meno che non siano funzionalità molto rilevanti e non ridondanti. Addestrare il modello per più epoche con un modello già overfittato aggraverebbe ulteriormente il problema.