Trenujesz klasyfikator spamu i obserwujesz nadmierne dopasowanie (overfitting). Które trzy działania pomogą zredukować overfitting? (Wybierz trzy.)

Nadmierne dopasowanie (overfitting) występuje, gdy model zbyt dobrze uczy się danych treningowych, tracąc zdolność do generalizacji na nowe, niewidoczne dane. 1. Uzyskaj więcej przykładów treningowych: Większa ilość danych treningowych pomaga modelowi uczyć się bardziej ogólnych wzorców, redukując jego tendencję do zapamiętywania szumu w danych treningowych. 2. Użyj mniejszego zestawu cech: Zmniejszenie liczby cech (selekcja cech) upraszcza model, ograniczając jego zdolność do uczenia się zbyt skomplikowanych zależności, które mogą być specyficzne dla danych treningowych. 3. Zwiększ parametr(y) regularyzacji: Regularyzacja (np. L1 lub L2) dodaje karę do funkcji kosztu modelu za duże wagi, co zmusza model do używania mniejszych wag i tym samym upraszcza go, zapobiegając nadmiernemu dopasowaniu. Pozostałe opcje są nieprawidłowe, ponieważ zmniejszenie liczby przykładów treningowych, użycie większego zestawu cech lub zmniejszenie parametrów regularyzacji zazwyczaj pogłębiają problem nadmiernego dopasowania.