Model ML przewiduje rezygnację klientów dobrze na danych treningowych, ale zawodzi na nowych danych. Która zmiana najprawdopodobniej naprawi ten problem z przeuczeniem (overfitting)?

Model, który dobrze działa na danych treningowych, ale źle na nowych danych, jest przeuczony (overfitted). Przeuczenie oznacza, że model zbyt dokładnie dopasował się do szumu w danych treningowych, tracąc zdolność generalizacji. Zwiększenie parametru regularyzacji (np. L1 lub L2) penalizuje złożoność modelu, zmuszając go do prostszych rozwiązań, co pomaga w generalizacji i zmniejsza przeuczenie. Zmniejszenie parametru regularyzacji zwiększyłoby złożoność, pogarszając problem. Dodanie większej liczby cech może zwiększyć złożoność i ryzyko przeuczenia. Trenowanie przez więcej epok również może prowadzić do dalszego przeuczenia, jeśli model już się dopasował do danych treningowych.