Budujesz model regresji logistycznej do przewidywania rezygnacji klientów, używając 100 ciągłych cech numerycznych. Dział marketingu nie ma wskazówek, które cechy są istotne, i chce uzyskać interpretowalny model pokazujący, jak cechy wpływają na wynik. Podczas trenowania obserwujesz dużą różnicę między dokładnością trenowania a dokładnością walidacji. Które dwie akcje (1) zmniejszą overfitting i (2) wspomogą interpretowalność cech? (Wybierz dwie.)

Dodanie regularyzacji L1 (Lasso) zmniejsza overfitting, zerując współczynniki najmniej istotnych cech, co prowadzi do rzadszego modelu i zwiększa interpretowalność, ponieważ tylko kluczowe cechy pozostają aktywne. Rekurencyjna eliminacja cech (RFE) systematycznie usuwa najmniej ważne cechy, co upraszcza model, redukuje overfitting i poprawia interpretowalność, skupiając się na podzbiorze najbardziej wpływowych zmiennych. Dodanie większej liczby cech prawdopodobnie zwiększy overfitting. t-SNE jest techniką wizualizacji i redukcji wymiarowości, ale nie pomaga bezpośrednio w interpretowalności cech ani w wyborze cech dla modelu regresji logistycznej. LDA jest metodą redukcji wymiarowości i klasyfikacji, ale nie jest optymalna do wyboru cech ani do bezpośredniego zwiększania interpretowalności w kontekście regresji logistycznej.