Dopasowano model regresji do przewidywania cen domów, ale działa on słabo zarówno na zbiorach treningowych, jak i testowych (wysoki błąd na obu). Jakie działania powinien podjąć analityk danych, aby poprawić dokładność modelu? Wybierz trzy.

Model, który działa słabo zarówno na zbiorach treningowych, jak i testowych (wysoki błąd na obu), cierpi na niedopasowanie (underfitting). Oznacza to, że model jest zbyt prosty, aby uchwycić złożoność danych. Aby poprawić niedopasowanie: 1. Zmniejszenie siły regularyzacji modelu: Regularyzacja upraszcza model, zapobiegając nadmiernemu dopasowaniu. Zbyt silna regularyzacja może jednak prowadzić do niedopasowania. Zmniejszenie jej siły pozwoli modelowi stać się bardziej złożonym i lepiej dopasować się do danych. 2. Zwiększenie liczby przykładów treningowych użytych do dopasowania: Więcej danych treningowych może pomóc modelowi lepiej nauczyć się wzorców, zwłaszcza jeśli dane są zaszumione lub złożone, co może zmniejszyć błąd. 3. Zwiększenie liczby cech wejściowych (dodanie bardziej trafnych cech): Dodanie nowych, istotnych cech dostarcza modelowi więcej informacji o problemie, co pozwala mu na budowanie bardziej złożonych i dokładnych relacji. Pozostałe opcje są nieprawidłowe: Zwiększenie siły regularyzacji pogłębiłoby problem niedopasowania. Zwiększenie liczby przykładów testowych nie wpływa na proces uczenia się modelu, a jedynie na ocenę jego wydajności. Zmniejszenie liczby cech wejściowych uprościłoby model, pogarszając niedopasowanie.