信用風險模型顯示 99% 的訓練準確度，但驗證準確度僅為 82%。公司需要在部署前解決此效能落差。哪些措施可以解決過度擬合並改善泛化能力？

正確答案中的 Dropout 層和 L1/L2 正規化是解決過度擬合的標準技術。Dropout 隨機停用神經元，防止模型過度依賴特定特徵；L1/L2 正規化則透過懲罰大型權重來簡化模型。K-fold 交叉驗證雖然不能直接解決過度擬合，但能提供更穩健的模型泛化能力評估，有助於選擇最佳模型和超參數。 第一個選項增加密集層會提高模型複雜度，可能加劇過度擬合。第三個選項的 PCA 降維可能丟失重要資訊，減少層數可能導致欠擬合，而交叉熵損失函數主要用於分類問題，與過度擬合無直接關聯。第四個選項的資料增強和重複記錄移除是改善資料品質的方法，但不能直接解決模型過度擬合問題。