Была построена регрессионная модель для прогнозирования цен на жилье, но она плохо работает как на обучающем, так и на тестовом наборах (высокая ошибка на обоих). Какие действия должен предпринять специалист по данным для повышения точности модели? Выберите три.

Модель, которая плохо работает как на обучающем, так и на тестовом наборах (высокая ошибка на обоих), страдает от недообучения (underfitting). Недообучение означает, что модель слишком проста, чтобы уловить закономерности в данных. Чтобы бороться с недообучением: 1. Уменьшить силу регуляризации модели: Регуляризация предотвращает переобучение, но слишком сильная регуляризация может привести к недообучению, заставляя модель быть слишком простой. Уменьшение её силы позволит модели лучше подстраиваться под данные. 2. Увеличить количество обучающих примеров, используемых для подгонки: Хотя недообучение обычно не связано с недостатком данных напрямую, увеличение объема данных может помочь модели выявить более сложные зависимости, если она способна их изучить. 3. Увеличить количество входных признаков (добавить больше релевантных признаков): Добавление новых, информативных признаков дает модели больше информации для изучения и позволяет ей строить более сложные и точные зависимости. Неправильные варианты: Увеличение силы регуляризации усугубит недообучение. Увеличение количества тестовых примеров не влияет на обучение модели, а только на оценку. Уменьшение количества входных признаков сделает модель ещё проще и усилит недообучение.