Een ML-specialist bouwt een kredietscoremodel met behulp van 3 jaar aan transactie- en metadata van derden, maar constateert een lage nauwkeurigheid op zowel de trainings- als de testsets. Welke acties zouden de modelnauwkeurigheid verbeteren? (Kies er twee.)

De lage nauwkeurigheid op zowel de trainings- als de testsets duidt op onderfitting (underfitting). Het verhogen van het aantal training epochs/passes en het uitvoeren van meer hyperparameter tuning kan het model helpen om de patronen in de bestaande data beter te leren, waardoor de nauwkeurigheid verbetert. Het toevoegen van nieuwe domeinspecifieke features kan het model voorzien van relevantere informatie, en het overschakelen naar complexere modelarchitecturen kan het model in staat stellen om complexere relaties in de data te leren, wat beide de nauwkeurigheid kan verhogen. Het verhogen van regularisatie of het verminderen van feature-combinaties zou de modelcomplexiteit verder verminderen, wat onderfitting kan verergeren. Het verminderen van trainingsdata of trainingspasses zou ook de onderfitting verergeren.