Какие знаешь методы борьбы с переобучением

1. Регуляризация (L1/L2) - добавляет штраф за большие веса:

from sklearn.linear_model import LogisticRegression
model = LogisticRegression(penalty='l2', C=0.1)

2. Ранняя остановка - прекращение обучения при ухудшении валидационной метрики:

from keras.callbacks import EarlyStopping
early_stop = EarlyStopping(monitor='val_loss', patience=5)

3. Упрощение модели - уменьшение глубины/количества параметров

4. Дропаут - случайное отключение нейронов во время обучения (для нейросетей)

5. Аугментация данных - искусственное увеличение обучающей выборки

6. Кросс-валидация - более надежная оценка качества модели

7. Баггинг/Бустинг - ансамбли моделей (Random Forest, XGBoost)

8. Нормализация данных - scaling, batch normalization

Для табличных данных часто используют L1/L2 + кросс-валидацию, для изображений - аугментацию + дропаут. Важно мониторить разницу между train и validation ошибкой.