Приведи примеры борьбы с переобучением модели

1. Регуляризация - добавление штрафа за большие веса (L1/L2):

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

2. Ранняя остановка - прекращение обучения до переобучения:

from xgboost import XGBClassifier
model = XGBClassifier(early_stopping_rounds=10)

3. Упрощение модели - уменьшение глубины/слоёв:

from sklearn.tree import DecisionTreeClassifier
model = DecisionTreeClassifier(max_depth=3)

4. Дропаут (для нейросетей) - случайное отключение нейронов:

from tensorflow.keras.layers import Dropout
model.add(Dropout(0.5))

5. Аугментация данных - искусственное увеличение выборки (для изображений/текстов)

6. Кросс-валидация - оценка на разных подвыборках:

from sklearn.model_selection import cross_val_score
scores = cross_val_score(model, X, y, cv=5)

7. Feature selection - отбор наиболее значимых признаков

Эффективнее комбинировать несколько методов. Всегда мониторьте разницу между train и test ошибкой.