주택 가격을 예측하는 회귀 모델을 학습시켰지만, 학습 세트와 테스트 세트 모두에서 성능이 좋지 않습니다(둘 다 높은 오류). 모델 정확도를 개선하기 위해 데이터 과학자는 어떤 조치를 취해야 할까요? 세 가지를 선택하세요.

모델이 학습 세트와 테스트 세트 모두에서 성능이 좋지 않고 오류율이 높다는 것은 모델이 과소적합(underfitting) 상태임을 나타냅니다. 과소적합은 모델이 데이터의 기본 패턴을 충분히 학습하지 못할 때 발생합니다. 정규화 강도를 낮추면 모델이 데이터에 더 잘 적합하도록 유연성을 높여 과소적합을 줄일 수 있습니다. 학습 예제 수를 늘리면 모델이 더 다양한 패턴을 학습하여 일반화 성능을 향상시킬 수 있습니다. 관련성 높은 입력 피처를 추가하면 모델이 예측에 필요한 정보를 더 많이 얻게 되어 정확도가 높아집니다. 정규화 강도를 높이는 것은 과대적합(overfitting) 문제를 해결할 때 사용하며, 현재 상황과는 반대입니다. 테스트 예제 수를 늘리는 것은 모델 평가의 신뢰도를 높이지만, 모델 자체의 성능을 직접적으로 개선하지는 않습니다. 입력 피처 수를 줄이는 것은 모델이 중요한 정보를 놓치게 하여 과소적합을 악화시킬 수 있습니다.