Respuesta correcta
- CUtilizar un algoritmo de regularización como Lasso (L1).
Explicación
La regularización Lasso (L1) añade una penalización igual al valor absoluto de la magnitud de los coeficientes, lo que puede reducir algunos coeficientes a cero, realizando efectivamente una selección de características y reduciendo el sobreajuste. Esto aborda directamente el problema de los coeficientes grandes que hacen que el modelo ajuste el ruido en los datos de entrenamiento, lo que lleva a un alto error de prueba.
Para profundizar
El sobreajuste se manifiesta como una gran brecha entre un error de entrenamiento bajo y un error de prueba alto porque el modelo ha memorizado el ruido y las interacciones de características de alta varianza en lugar de la señal subyacente. La regresión Lasso añade una penalización L1 igual al valor absoluto de los coeficientes multiplicada por alfa, lo que reduce los coeficientes y lleva algunos exactamente a cero, realizando una selección implícita de características; esto reduce la varianza y a menudo mejora la generalización. Ridge utiliza una penalización L2 que reduce pero rara vez anula los coeficientes, mientras que Elastic Net combina ambas. En Azure Machine Learning, la fuerza de la penalización se ajusta como un hiperparámetro, comúnmente con HyperDrive explorando alfa sobre una división de validación. Un conjunto de prueba más pequeño o más épocas empeorarían el diagnóstico, y el escalado de características por sí solo no restringe la magnitud de los coeficientes.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.