Um modelo prevê a presença de uma erva daninha específica usando o algoritmo linear-learner integrado do SageMaker com predictor_type definido como multiclass_classifier. A equipe deseja minimizar os falsos positivos. Qual alteração de hiperparâmetro eles devem fazer?

Para minimizar falsos positivos em um modelo multiclasse, a equipe deve aumentar o valor do hiperparâmetro targetprecision. No SageMaker Linear Learner, targetprecision é um hiperparâmetro de otimização que ajusta o modelo para priorizar a precisão (precision) em detrimento do recall. Um valor mais alto de targetprecision fará com que o modelo seja mais conservador ao fazer previsões positivas, reduzindo assim a taxa de falsos positivos. Definir weightdecay como zero desativaria a regularização L2, o que pode levar a overfitting e não aborda diretamente a minimização de falsos positivos. Aumentar o número de épocas de treinamento pode melhorar a convergência, mas não garante a otimização para falsos positivos. Alterar predictortype para regressor mudaria o problema para regressão, o que é inadequado para uma tarefa de classificação multiclasse.