您正在建立一個羅吉斯迴歸模型，以預測客戶流失，該模型使用 100 個連續數值特徵。行銷部門對於哪些特徵很重要沒有任何指導，並希望建立一個可解釋的模型，顯示特徵如何影響結果。在訓練期間，您觀察到訓練和驗證準確度之間存在巨大差距。哪兩項行動將 (1) 減少過度擬合，以及 (2) 支援特徵可解釋性？（選擇兩項）

增加 L1 (Lasso) 正規化可以透過懲罰模型中不重要的特徵係數來減少過度擬合，使其趨近於零，從而鼓勵稀疏性。這不僅簡化了模型，也讓行銷部門更容易理解哪些特徵對預測結果有顯著影響，因為只有少數非零係數會被解釋。執行遞迴特徵消除 (RFE) 透過迭代地移除最不重要的特徵並重新訓練模型來選擇最佳特徵子集。這直接解決了過度擬合問題，因為它減少了模型的複雜性，同時也提高了模型的可解釋性，因為它突出了對預測最重要的特徵。新增更多特徵可能會加劇過度擬合。t-SNE 和 LDA 是降維技術，但它們通常會將原始特徵轉換為新的、難以解釋的特徵，因此不利於特徵可解釋性。