ML 전문가는 영화 리뷰로 학습된 딥러닝 감성 모델이 검증 후 과적합(overfitting)되는 것을 발견했습니다. 일반화(generalization)를 개선하고 과적합을 줄이는 데 가장 도움이 되는 조치는 무엇입니까? (세 가지 선택)

과적합은 모델이 훈련 데이터에 너무 특화되어 새로운 데이터에 대한 성능이 저하될 때 발생합니다. L1 및 L2 정규화는 모델의 가중치에 페널티를 부여하여 복잡성을 줄이고 과적합을 방지합니다. 드롭아웃은 훈련 중 무작위로 뉴런을 비활성화하여 모델이 특정 경로에 과도하게 의존하는 것을 막아 일반화 능력을 향상시킵니다. 네트워크의 레이어 수를 줄이는 것은 모델의 복잡성을 직접적으로 감소시켜 과적합 위험을 낮춥니다. 학습률을 줄이는 것은 수렴 속도에 영향을 주지만 과적합 방지에는 직접적인 해결책이 아닙니다. 다른 무작위 시드를 사용하는 것은 데이터 분할의 무작위성을 변경할 뿐 과적합 자체를 해결하지 못합니다. 신경망에 더 많은 레이어를 추가하는 것은 모델의 복잡성을 증가시켜 과적합을 악화시킬 수 있습니다.