一个模型使用 SageMaker 内置的线性学习器（linear-learner），并将 predictor_type 设置为 multiclass_classifier，来预测特定杂草的存在。团队希望最大程度地减少误报。他们应该进行哪种超参数更改？

正确答案是增加 targetprecision 超参数的值。在多分类问题中，targetprecision 控制模型对正类的预测准确性，即减少误报（False Positives）。当目标是最小化误报时，提高 targetprecision 会使模型在分类时更加保守，只在非常有把握的情况下才预测为正类，从而降低误报率。 将 weightdecay 设置为零会减少正则化，可能导致过拟合，而不是直接减少误报。增加训练 epoch 数量可能提高模型整体性能，但不能直接针对性地减少误报。将 predictortype 更改为 regressor 会把问题转化为回归任务，这与减少分类误报的目标不符。