一個預測即時廣告出價的線性模型出現過度擬合，團隊需要減少特徵集。哪種方法可以同時減少特徵並防止過度擬合？

L1 正規化（Lasso）透過在損失函數中加入權重絕對值的懲罰項，可以將不重要特徵的權重縮減為零，從而實現特徵選擇並減少模型複雜度，有效防止過度擬合。L2 正規化（Ridge）會縮小所有特徵的權重，但通常不會將其縮減為零，因此無法直接減少特徵數量。Dropout 正規化主要用於神經網路，透過隨機丟棄神經元來防止過度擬合，但它不直接減少特徵集。使用更多訓練資料可以幫助減少過度擬合，但並不能減少特徵集，這與題目要求「同時減少特徵」不符。