Het deep-learning sentimentmodel van een ML-specialist, getraind op filmrecensies, vertoont overfitting na validatie. Welke acties zullen de generalisatie het meest verbeteren en overfitting verminderen? (Kies drie.)

Overfitting betekent dat het model te goed leert van de trainingsdata, inclusief ruis, en daardoor slecht presteert op nieuwe, ongeziene data. L1- en L2-regularisatie (gewichtsanpassing) en dropout (willekeurig uitschakelen van neuronen tijdens training) zijn effectieve technieken om de complexiteit van het model te verminderen en generalisatie te verbeteren. Het verminderen van het aantal lagen in het netwerk verlaagt ook de modelcomplexiteit, wat overfitting tegengaat. Het schudden van de dataset met een andere random seed heeft geen invloed op overfitting, aangezien het de data zelf niet verandert. Het verlagen van de learning rate kan helpen bij convergentie, maar pakt overfitting niet direct aan. Meer lagen toevoegen zou de complexiteit juist verhogen en overfitting verergeren.