一個深度神經網路非常符合訓練資料，但在測試資料上表現不佳。您應該考慮以下哪些方法來減少過度擬合？（選擇三項）

當深度神經網路在訓練資料上表現良好但在測試資料上表現不佳時，這表示模型過度擬合。增加正規化（例如L1或L2正規化）可以懲罰大的權重值，鼓勵模型學習更簡單的模式，從而減少過度擬合。增加 dropout 則是在訓練過程中隨機停用部分神經元，迫使網路學習更穩健的特徵表示，避免對特定路徑產生過度依賴。減少特徵交互的數量可以簡化模型，降低其複雜度，使其更難記住訓練資料中的雜訊，進而改善泛化能力。相反，減少正規化或減少 dropout 會增加模型複雜度，加劇過度擬合。增加手動建立的特徵交互數量也會增加模型複雜度，可能導致過擬合。