ディープニューラルネットワークがトレーニングデータにはうまく適合するものの、テストデータではパフォーマンスが低い場合、過学習を減らすために考慮すべきことは次のうちどれですか？（3つ選択してください。）

過学習は、モデルがトレーニングデータに過度に適合し、新しいデータに対する汎化能力が低い場合に発生します。 正則化を増やす：正則化（L1、L2など）は、モデルの重みにペナルティを課すことで、モデルの複雑さを抑制し、過学習を防ぎます。正則化を減らすと、モデルの複雑さが増し、過学習が悪化する可能性があります。 ドロップアウトを増やす：ドロップアウトは、トレーニング中にランダムにニューロンを無効化することで、モデルが特定のニューロンに過度に依存するのを防ぎ、アンサンブル学習のような効果をもたらします。ドロップアウトを減らすと、モデルの複雑さが増し、過学習が悪化する可能性があります。 特徴量インタラクションの数を減らす：特徴量インタラクションは、モデルの複雑さを増大させ、過学習のリスクを高める可能性があります。複雑なインタラクションを減らすことで、モデルの汎化能力を向上させることができます。手動で作成する特徴量インタラクションの数を増やすと、モデルの複雑さが増し、過学習が悪化する可能性があります。