Специалист по машинному обучению создает модель оценки кредитоспособности, используя данные о транзакциях за 3 года и метаданные сторонних организаций, но обнаруживает низкую точность как на обучающем, так и на тестовом наборах. Какие действия улучшат точность модели? (Выберите два.)

Низкая точность как на обучающем, так и на тестовом наборах данных указывает на недообучение модели. Увеличение количества эпох/проходов обучения позволяет модели дольше изучать закономерности в данных, а дополнительная настройка гиперпараметров (например, скорости обучения, размера пакета) помогает найти оптимальную конфигурацию для лучшего обучения. Это напрямую борется с недообучением. Добавление новых предметно-ориентированных признаков (feature engineering) обогащает модель новой информацией, которая может быть критически важна для предсказаний. Переход к более сложным архитектурам моделей (например, от линейной регрессии к нейронным сетям) позволяет модели улавливать более сложные нелинейные зависимости в данных, что также эффективно против недообучения. Увеличение регуляризации и уменьшение комбинаций признаков обычно борются с переобучением, а не недообучением. Уменьшение объема обучающих данных и сокращение проходов обучения только усугубит недообучение.