信用リスクモデルは、99%のトレーニング精度を示していますが、検証精度はわずか82%です。会社はデプロイする前に、このパフォーマンスギャップを修正する必要があります。過学習に対処し、汎化を改善するための対策はどれですか？

正解は、モデルの過学習に対処し、汎化性能を向上させるための効果的な戦略を組み合わせているためです。ドロップアウト層とL1/L2正則化は、モデルがトレーニングデータに過度に適合するのを防ぎ、よりシンプルで汎用的なモデルを促進します。k分割交差検定は、モデルが未知のデータに対してどの程度うまく機能するかをより堅牢に評価し、検証精度がトレーニング精度に近いことを確認するのに役立ちます。 他の選択肢は不適切です。 モデルの複雑さを増やすことは、過学習を悪化させる可能性があります。早期停止は有効ですが、バッチ正規化は直接過学習を軽減するものではありません。 PCAによる次元削減は過学習を助けることがありますが、モデル層を減らすことや交差エントロピー損失関数は、この状況では主要な解決策ではありません。 トレーニングデータの拡張は有効ですが、重複レコードの削除や層化抽出法は、過学習の直接的な解決策ではありません。