1億個のラベル付きサンプルを含むNLPの回帰問題で、データはランダムにシャッフルされ、90/10でトレーニング/テストに分割されています。トレーニングRMSEがテストRMSEの2倍高い場合、モデルのパフォーマンスをどのように改善すべきですか？

トレーニングRMSEがテストRMSEの2倍高い場合、モデルはデータに対して過少適合（underfitting）している可能性が高いです。これは、モデルがトレーニングデータ内のパターンを十分に学習できていないことを示します。モデルの複雑さを増すことで、より複雑なパターンを学習できるようになり、トレーニングRMSEを減少させ、結果としてテストRMSEも改善される可能性があります。 誤った選択肢の理由： テストサンプルの割合を増やすことは、モデルの学習能力には直接影響しません。 より多くのデータを収集することは、過少適合の問題を解決するよりも、過学習の問題に対処する際に有効です。 正則化手法（dropoutやbatch normalization）は、過学習を抑制するために使用されるため、過少適合の問題を悪化させる可能性があります。