Модель глубокого обучения специалиста по машинному обучению для анализа тональности, обученная на обзорах фильмов, демонстрирует переобучение после валидации. Какие действия наиболее эффективно улучшат обобщение и уменьшат переобучение? (Выберите три.)

Переобучение означает, что модель слишком хорошо запомнила обучающие данные, но плохо работает на новых, невидимых данных. Добавление L1 и L2 регуляризации помогает уменьшить переобучение, штрафуя большие веса модели, что способствует созданию более простых моделей. Добавление dropout регуляризации случайным образом отключает нейроны во время обучения, заставляя сеть быть менее зависимой от конкретных путей и улучшая обобщение. Уменьшение количества слоев в сети снижает сложность модели, что является эффективным способом борьбы с переобучением, особенно если модель слишком сложна для объема данных. Перемешивание набора данных с другим случайным начальным значением не влияет на переобучение, это лишь меняет порядок подачи данных. Уменьшение скорости обучения может помочь модели сойтись к лучшему минимуму, но напрямую не решает проблему переобучения. Добавление большего количества слоев увеличит сложность модели, что, скорее всего, усугубит переобучение.