Je bouwt een logistisch regressiemodel om klantverloop te voorspellen met behulp van 100 continue numerieke features. Marketing heeft geen richtlijnen over welke features belangrijk zijn en wil een interpreteerbaar model dat laat zien hoe features het resultaat beïnvloeden. Tijdens de training observeer je een groot verschil tussen de trainings- en validatienauwkeurigheid. Welke twee acties zullen (1) overfitting verminderen en (2) de interpreteerbaarheid van features ondersteunen? (Kies twee.)

L1 (Lasso) regularisatie voegt een penalty toe aan de absolute waarde van de coëfficiënten, waardoor sommige coëfficiënten exact nul worden. Dit vermindert overfitting door het model te vereenvoudigen en bevordert interpreteerbaarheid doordat het de belangrijkste features selecteert. Recursieve feature-eliminatie (RFE) verwijdert iteratief de minst belangrijke features, traint het model opnieuw en herhaalt dit proces. Dit vermindert overfitting door het aantal features te verkleinen en verhoogt de interpreteerbaarheid door alleen de meest relevante features te behouden. Meer features toevoegen zal overfitting waarschijnlijk verergeren. t-SNE en LDA zijn technieken voor dimensionaliteitsreductie die de interpreteerbaarheid van individuele features verminderen, omdat ze nieuwe, gecombineerde features creëren.