100개의 연속적인 숫자형 특성을 사용하여 고객 이탈을 예측하는 로지스틱 회귀 모델을 구축하고 있습니다. 마케팅 부서에서는 어떤 특성이 중요한지에 대한 지침이 없으며, 특성이 결과에 어떻게 영향을 미치는지 보여주는 해석 가능한 모델을 원합니다. 훈련 중에 훈련 정확도와 검증 정확도 사이에 큰 차이가 관찰됩니다. 다음 두 가지 조치 중 (1) 과적합을 줄이고 (2) 특성 해석 가능성을 지원하는 것은 무엇입니까? (두 가지를 선택하세요.)

L1 정규화(Lasso)는 모델의 복잡성을 줄여 과적합을 방지하고, 일부 특성 계수를 0으로 만들어 특성 선택을 수행하므로 해석 가능성을 높입니다. 재귀적 특성 제거(RFE)는 모델 성능에 가장 중요한 특성만 남기고 관련 없는 특성을 제거하여 과적합을 줄이고 모델을 단순화하여 해석 가능성을 향상시킵니다. 데이터셋에 더 많은 특성을 추가하는 것은 과적합을 악화시킬 수 있습니다. t-SNE는 시각화에 유용하지만, 모델 해석 가능성을 직접적으로 높이지는 않습니다. LDA는 차원 축소 방법이지만, 분류 모델의 해석 가능성을 직접적으로 개선하지는 않습니다.