Uno specialista di ML crea un modello di credit scoring utilizzando 3 anni di transazioni e metadati di terze parti, ma riscontra una bassa accuratezza sia sui set di training che di test. Quali azioni migliorerebbero l'accuratezza del modello? (Sceglierne due.)

Il modello mostra bassa accuratezza sia sul training che sul test set, indicando un problema di underfitting (sottocampionamento). Aumentare gli epoch/passaggi di training e ottimizzare gli iperparametri (prima opzione corretta) permette al modello di apprendere meglio i pattern nei dati esistenti, riducendo l'underfitting. Aggiungere nuove feature specifiche del dominio e passare ad architetture di modello più complesse (seconda opzione corretta) fornisce al modello più informazioni e capacità per catturare relazioni complesse, migliorando la sua performance. Aumentare la regolarizzazione o ridurre le feature (prima opzione errata) è utile per l'overfitting, non l'underfitting. Ridurre i dati o i passaggi di training (ultima opzione errata) peggiorerebbe l'underfitting. Ridurre il binning (terza opzione errata) potrebbe aiutare, ma non è la soluzione principale per l'underfitting.