Specjalista ML buduje model oceny zdolności kredytowej, wykorzystując 3 lata danych transakcyjnych i metadanych stron trzecich, ale stwierdza niską dokładność zarówno w zbiorach treningowych, jak i testowych. Które działania poprawiłyby dokładność modelu? (Wybierz dwie odpowiedzi.)

Niska dokładność zarówno w zbiorze treningowym, jak i testowym wskazuje na niedouczenie (underfitting) modelu. Zwiększenie epok/przebiegów treningowych na istniejących danych pozwala modelowi dłużej uczyć się wzorców, a większa optymalizacja hiperparametrów może znaleźć lepsze konfiguracje modelu, co pomaga w redukcji niedouczenia. Dodanie nowych cech specyficznych dla domeny dostarcza modelowi więcej istotnych informacji, które mogą poprawić jego zdolność do uczenia się złożonych zależności. Przejście na bardziej złożone architektury modeli, takie jak głębsze sieci neuronowe, pozwala modelowi na uchwycenie bardziej skomplikowanych wzorców w danych. Zwiększenie regularyzacji i zmniejszenie liczby kombinacji cech przeciwdziałałoby raczej przeuczeniu (overfitting). Zmniejszenie liczby kombinacji cech i zmniejszenie binowania atrybutów numerycznych mogłoby ograniczyć zdolność modelu do uczenia się. Zmniejszenie ilości danych treningowych i liczby przebiegów treningowych pogłębiłoby problem niedouczenia.