一個預測房價的迴歸模型在訓練集和測試集上的表現都很差（兩者都有很高的錯誤率）。資料科學家應該採取哪些行動來提高模型準確性？請選擇三項。

模型在訓練集和測試集上表現都差，表示模型存在「欠擬合」（underfitting）問題，即模型未能捕捉資料中的基本模式。 1. 降低模型的正規化強度：正規化旨在防止過擬合，但過高的正規化強度會限制模型學習複雜模式的能力，導致欠擬合。降低正規化強度能讓模型更自由地學習資料。 2. 增加用於擬合的訓練樣本數量：更多的訓練資料能讓模型學習到更廣泛的模式和關係，有助於減少欠擬合。 3. 增加輸入特徵的數量（添加更多相關特徵）：欠擬合可能因為模型沒有足夠的資訊來做出準確預測。添加與房價相關的新特徵（例如房屋年齡、周邊設施等）可以提供更多有用的資訊，幫助模型更好地理解資料。 增加模型的正規化強度會加劇欠擬合。增加用於評估的測試樣本數量對模型訓練沒有直接影響。減少模型使用的輸入特徵數量會進一步限制模型學習能力，加重欠擬合。