Uma equipe de analistas de dados está desenvolvendo um pipeline em Python para prever o preço de imóveis. O conjunto de dados contém as seguintes variáveis: area (metros quadrados), quartos (número de quartos), idade (anos de construção), bairro (categórica com 10 níveis) e preco (variável alvo). O pipeline inclui as etapas: (1) tratamento de valores ausentes, (2) codificação de variáveis categóricas, (3) padronização de variáveis numéricas, (4) treinamento de um modelo de regressão linear com regularização L2 (Ridge) e (5) avaliação do modelo. Durante a validação, observou-se que o modelo apresentava alto viés e baixa variância. Para corrigir esse problema, um analista sugeriu as seguintes ações:

• I. Aumentar o parâmetro de regularização alpha do modelo Ridge.
• II. Adicionar termos polinomiais de grau 2 para as variáveis numéricas.
• III. Utilizar validação cruzada k-fold para ajustar o hiperparâmetro alpha.
• IV. Reduzir o número de variáveis preditoras, removendo aquelas com baixa correlação com a variável alvo.

Considerando as boas práticas de modelagem e as características das bibliotecas Python para ciência de dados, assinale a alternativa que apresenta APENAS as ações que podem contribuir para reduzir o viés do modelo.