Een regressiemodel om huizenprijzen te voorspellen is getraind, maar presteert slecht op zowel de trainings- als de testsets (hoge foutmarge op beide). Welke acties moet de data scientist ondernemen om de nauwkeurigheid van het model te verbeteren? Selecteer er drie.

Slechte prestaties op zowel de trainings- als de testset duiden op underfitting (lage bias, hoge variantie). 1. Verlaag de regularisatietraining van het model: Regularisatie beperkt de complexiteit van het model om overfitting te voorkomen. Bij underfitting is het model al te eenvoudig, dus het verlagen van regularisatie stelt het model in staat complexere relaties te leren. Het verhogen van regularisatie zou het probleem verergeren. 2. Verhoog het aantal trainingsexamples dat wordt gebruikt voor het fitten: Meer trainingsdata kan het model helpen om de onderliggende patronen beter te leren, waardoor de bias afneemt en het model nauwkeuriger wordt. 3. Verhoog het aantal invoerfeatures (voeg meer relevante features toe): Underfitting kan optreden als het model niet voldoende informatie heeft om de output te voorspellen. Het toevoegen van relevante features geeft het model meer context en complexiteit om betere voorspellingen te doen. Het verlagen van features zou het model nog eenvoudiger maken. 4. Het verhogen van het aantal testexamples is nuttig voor een betrouwbaardere evaluatie, maar lost het onderliggende probleem van underfitting niet op.