Um fabricante coleta 2.000 medições de diagnóstico por smartphone e tem mais de 5 milhões de avaliações rotuladas sem valores ausentes. Um modelo SageMaker linear learner treinado em todos os recursos produz um F1 score de 0,6. Quais alterações no treinamento do modelo têm maior probabilidade de melhorar o F1 score? (Escolha duas.)

O F1 score de 0,6 indica que o modelo atual pode estar sofrendo de alta dimensionalidade, o que pode levar a overfitting ou a um desempenho subótimo. Reduzir o número de recursos usando PCA (Principal Component Analysis) é uma técnica eficaz para redução de dimensionalidade. O PCA identifica as combinações lineares de recursos que capturam a maior parte da variância dos dados, ajudando a remover ruídos e redundâncias, o que pode melhorar o desempenho do modelo Linear Learner. Alternativamente, mudar para um algoritmo diferente que lida bem com alta dimensionalidade e aplicar redução de dimensionalidade é uma boa estratégia. O k-NN (k-nearest neighbors) é um algoritmo não-paramétrico que pode se beneficiar significativamente da redução de dimensionalidade, pois a "maldição da dimensionalidade" afeta seu desempenho. Reduzir as dimensões para menos de 1.000 pode tornar o k-NN mais eficiente e preciso. MDS (Multidimensional Scaling) é mais usado para visualização e não é a melhor escolha para redução de dimensionalidade para melhorar o desempenho do modelo. Mudar o preditor para regressor não faz sentido, pois o problema é de classificação (F1 score é uma métrica de classificação). K-means é um algoritmo de clustering não supervisionado, inadequado para um problema de classificação supervisionado.