스팸 분류기를 훈련시키는데 과적합(overfitting)이 발생했습니다. 과적합을 줄이는 데 도움이 되는 세 가지 조치는 무엇입니까? (세 가지를 선택하세요.)

과적합은 모델이 훈련 데이터의 노이즈까지 학습하여 새로운 데이터에 대한 일반화 성능이 떨어지는 현상입니다. 1. 더 많은 훈련 예제를 확보합니다: 데이터의 양이 늘어나면 모델이 데이터의 실제 패턴을 더 잘 학습하고 노이즈에 덜 민감해져 과적합을 줄일 수 있습니다. 2. 더 작은 특성 세트를 사용합니다: 불필요하거나 중복된 특성을 제거하면 모델의 복잡도를 줄여 과적합을 방지할 수 있습니다. 특성 수가 너무 많으면 모델이 훈련 데이터에 과도하게 맞춰질 위험이 있습니다. 3. 정규화 매개변수를 늘립니다: 정규화는 모델의 가중치에 페널티를 부여하여 모델의 복잡도를 제한하고 과적합을 줄이는 기술입니다. 정규화 매개변수를 늘리면 페널티가 강해져 모델이 훈련 데이터에 너무 가깝게 맞춰지는 것을 방지합니다. "훈련 예제 수를 줄입니다"는 모델이 일반화할 수 있는 데이터가 부족해져 과적합을 악화시킬 수 있습니다. "더 큰 특성 세트를 사용합니다"는 모델의 복잡도를 높여 과적합 가능성을 증가시킵니다. "정규화 매개변수를 줄입니다"는 정규화 효과를 약화시켜 과적합을 유발할 수 있습니다.