Müşteri kaybını tahmin etmek için 100 sürekli sayısal özellik kullanarak bir lojistik regresyon modeli oluşturuyorsunuz. Pazarlama ekibinin hangi özelliklerin önemli olduğu konusunda hiçbir fikri yok ve özelliklerin sonucu nasıl etkilediğini gösteren yorumlanabilir bir model istiyor. Eğitim sırasında, eğitim ve doğrulama doğruluğu arasında büyük bir fark gözlemliyorsunuz. Hangi iki eylem (1) aşırı uyumu azaltır ve (2) özellik yorumlanabilirliğini destekler? (İki tane seçin.)

Aşırı uyum, eğitim ve doğrulama doğruluğu arasındaki büyük farktan anlaşılmaktadır. L1 (Lasso) düzenlileştirmesi, modelin karmaşıklığını azaltarak ve bazı katsayıları sıfıra zorlayarak aşırı uyumu azaltır, bu da özellik seçimi sağlar ve yorumlanabilirliği artırır. Özyinelemeli özellik eleme (RFE), model performansını en az etkileyen özellikleri yinelemeli olarak kaldırarak aşırı uyumu azaltır ve daha az, daha önemli özelliklerle daha yorumlanabilir bir model oluşturur. Daha fazla özellik eklemek aşırı uyumu artırabilir. t-SNE ve LDA, boyut azaltma yöntemleri olsa da, t-SNE doğrusal olmayan bir yöntemdir ve özellikleri doğrudan yorumlamayı zorlaştırır; LDA ise özellik seçimi yerine özellik dönüşümü yapar ve yorumlanabilirliği doğrudan desteklemez.