Вы обучаете классификатор спама и наблюдаете переобучение. Какие три действия помогут уменьшить переобучение? (Выберите три.)

Переобучение происходит, когда модель слишком хорошо запоминает обучающие данные, включая шум, и плохо обобщает на новые данные. 1. Получить больше обучающих примеров: Больше данных помогает модели изучить истинные закономерности, а не случайный шум, что снижает вероятность переобучения. 2. Использовать меньший набор признаков: Уменьшение количества признаков (feature selection) упрощает модель, заставляя ее фокусироваться на наиболее важных характеристиках и избегать запоминания шума, связанного с нерелевантными признаками. Использование большего набора признаков, наоборот, может усугубить переобучение. 3. Увеличить параметр(ы) регуляризации: Регуляризация добавляет штраф за сложность модели, что предотвращает слишком большое подстраивание под обучающие данные. Уменьшение параметров регуляризации, напротив, ослабляет этот штраф и может увеличить переобучение. Уменьшение количества обучающих примеров почти всегда усугубляет переобучение, так как модели будет еще сложнее найти общие закономерности.