Una rete neurale profonda si adatta bene ai dati di training, ma le sue prestazioni sono scarse sui dati di test. Quali delle seguenti opzioni dovresti considerare per ridurre l'overfitting? (Scegliere 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. "Aumentare la regolarizzazione" è corretto perché la regolarizzazione (es. L1 o L2) aggiunge una penalità alla funzione di costo per i pesi grandi, scoraggiando il modello dall'adattarsi troppo ai dati di training. "Diminuire la regolarizzazione" è errato perché aumenterebbe l'overfitting. "Aumentare il dropout" è corretto perché il dropout disattiva casualmente un sottoinsieme di neuroni durante l'addestramento, impedendo al modello di fare eccessivo affidamento su specifici percorsi e migliorando la sua robustezza. "Diminuire il dropout" è errato perché ridurrebbe questo effetto benefico. "Ridurre il numero di interazioni tra feature" è corretto perché un minor numero di interazioni tra feature semplifica il modello, rendendolo meno propenso a memorizzare i dati di training. "Aumentare il numero di interazioni tra feature create manualmente" è errato perché renderebbe il modello più complesso e più incline all'overfitting.