您正在訓練一個垃圾郵件分類器，並觀察到過度擬合。以下哪三種措施有助於減少過度擬合？(請選擇三項)

過度擬合（overfitting）發生在模型在訓練資料上表現良好，但在未見過的新資料上表現不佳時。 1. 取得更多訓練範例： 更多的資料有助於模型學習更普遍的模式，而不是僅僅記住訓練資料中的雜訊，從而減少過度擬合。 2. 減少訓練範例的數量： 這會導致模型學習到的模式更少，更容易過度擬合於現有的少量資料。 3. 使用較小的特徵集： 減少特徵數量（特徵選擇或降維）可以降低模型的複雜度，使其更難過度擬合訓練資料中的特定模式。 4. 使用較大的特徵集： 增加特徵數量會增加模型的複雜度，使其更容易過度擬合。 5. 增加正規化參數： 正規化（如L1或L2正規化）會懲罰模型權重的大小，限制模型的複雜度，從而有效減少過度擬合。 6. 減少正規化參數： 這會降低對模型複雜度的懲罰，使模型更容易過度擬合。