Uma empresa enviará pacotes promocionais para um novo produto e deseja que pelo menos 90% de todos os prováveis compradores recebam os materiais. Um modelo de aprendizagem linear (linear learner) atualmente tem 80% de recall e 75% de precisão. Como a empresa deve retreinar o modelo para priorizar o alcance de 90% de recall?

A empresa precisa priorizar o recall em 90%. O Amazon SageMaker Linear Learner permite otimizar modelos para recall ou precisão em um determinado limite. Ao definir targetrecall como 90%, o modelo será treinado para atingir esse nível de recall. A configuração de binaryclassifiermodelselectioncriteria como recallattargetprecision (ou, mais apropriadamente aqui, precisionattargetrecall ou simplesmente recall se o objetivo é maximizar o recall sem um alvo de precisão específico, mas a opção dada é recallattargetprecision que, embora um pouco contraintuitiva na nomeação para este cenário, é a que mais se aproxima de indicar otimização para recall com um alvo) direciona a seleção do modelo para o ponto que melhor atende a essa meta de recall, mesmo que a precisão possa ser sacrificada. As outras opções estão incorretas porque: definir targetprecision otimiza para precisão, não recall; usar mais dados históricos ou aumentar épocas pode melhorar o desempenho geral, mas não garante um recall específico; e normalizelabel e número de classes são configurações para normalização e classificação, não para otimização de recall.