Глубокая нейронная сеть хорошо подходит для обучающих данных, но плохо работает на тестовых данных. Что из перечисленного следует рассмотреть для уменьшения переобучения? (Выберите три.)

Переобучение (overfitting) происходит, когда модель слишком хорошо запоминает обучающие данные, включая шум, и плохо обобщает на новые, невидимые данные. 1. Увеличить регуляризацию: Регуляризация (например, L1 или L2) добавляет штраф к функции потерь за большие веса, что заставляет модель использовать более простые веса и уменьшает сложность модели, тем самым снижая переобучение. Уменьшение регуляризации, наоборот, увеличит переобучение. 2. Увеличить dropout: Dropout случайным образом отключает нейроны во время обучения, предотвращая чрезмерную зависимость модели от конкретных нейронов и заставляя ее изучать более надежные признаки. Уменьшение dropout снизит этот эффект. 3. Уменьшить количество взаимодействий признаков: Уменьшение количества признаков или их взаимодействий упрощает модель, снижая её способность "запоминать" обучающие данные и улучшая обобщение. Увеличение количества взаимодействий признаков, наоборот, может увеличить сложность модели и способствовать переобучению.