顧客離反を予測するために、100個の連続的な数値特徴量を使用してロジスティック回帰モデルを構築しています。マーケティング部門は、どの特徴量が重要であるかについて何の指針も持っておらず、特徴量が結果にどのように影響するかを示す解釈可能なモデルを求めています。トレーニング中に、トレーニング精度と検証精度との間に大きなギャップがあることに気づきました。過学習を減らし、特徴量の解釈可能性をサポートする2つのアクションはどれですか？（2つ選択してください。）

L1正則化（Lasso）は、一部の係数をゼロにすることで特徴量選択を行い、モデルを簡素化し、過学習を減らします。これにより、残った非ゼロ係数の特徴量が重要であると解釈でき、モデルの解釈可能性が向上します。再帰的特徴量除去（RFE）は、モデルの性能に基づいて最も重要でない特徴量を繰り返し削除し、最終的に最適な特徴量のサブセットを見つけます。これにより、モデルが簡素化され、過学習が減少し、残った特徴量の重要性が明確になるため、解釈可能性が高まります。 データセットに特徴量を追加すると、過学習が悪化する可能性があります。t-SNEは次元削減手法ですが、主に可視化に用いられ、特徴量の解釈可能性を直接サポートしません。LDAは教師あり次元削減手法ですが、特徴量選択や解釈可能性の向上よりも、クラス間の分離を最大化することに重点を置いています。