一家制造商收集了每部智能手机的 2,000 个诊断测量数据，并拥有超过 500 万个没有缺失值的带标签评估数据。在所有特征上训练的 SageMaker 线性学习器模型获得了 0.6 的 F1 分数。对模型训练进行哪些更改最有可能提高 F1 分数？（选择两项。）

制造商拥有 2,000 个诊断测量数据和 500 万个带标签的评估数据，这表明数据维度高且数量庞大。线性学习器模型 F1 分数为 0.6，表明模型性能有提升空间。 选项一正确：高维数据可能导致线性模型性能不佳，因为特征之间可能存在冗余或共线性。使用 SageMaker PCA 减少特征数量可以降低维度，去除噪声，并可能提高线性学习器的 F1 分数。PCA 是一种常用的降维技术，适用于此类场景。 选项五正确：k-NN 算法在处理高维数据时计算成本高昂且性能可能下降，即所谓的“维度灾难”。在训练 k-NN 模型之前进行降维（例如降至 1,000 维以下）可以显著提高其效率和准确性。 选项二不正确：MDS 是一种降维技术，但通常用于可视化或保留数据点之间的相对距离，而不是像 PCA 那样专注于方差最大化，因此对于提高线性学习器性能可能不如 PCA 有效。 选项三不正确：将预测器类型切换为回归器不适用于分类问题，因为 F1 分数是分类模型性能的度量标准。 选项四不正确：k-means 是一种聚类算法，属于无监督学习，不适用于解决有监督的分类问题。