Линейная модель, предсказывающая ставки для рекламы в реальном времени, переобучается, и команде необходимо сократить набор признаков. Какой подход позволит одновременно сократить признаки и предотвратить переобучение?

L1-регуляризация (лассо) добавляет к функции потерь штраф, пропорциональный абсолютным значениям весов признаков. Это приводит к тому, что веса менее значимых признаков обнуляются, эффективно выполняя отбор признаков и уменьшая сложность модели. Такой подход предотвращает переобучение, так как модель становится менее чувствительной к шуму в данных. L2-регуляризация (гребневая) уменьшает веса признаков, но редко обнуляет их полностью, поэтому не выполняет отбор признаков. Dropout-регуляризация применяется в нейронных сетях, случайно отключая нейроны, и не является методом отбора признаков для линейных моделей. Увеличение объема обучающих данных может помочь при переобучении, но не является методом сокращения признаков.