Ein auf SageMaker trainiertes ML-Modell ist überangepasst (overfitting), und der Trainingsdatensatz enthält irrelevante Features. Welche Maßnahme sollte der Ingenieur ergreifen, um Overfitting zu reduzieren und den Einfluss unnötiger Features zu verringern?

L1-Regularisierung (Lasso-Regularisierung) ist eine effektive Technik zur Reduzierung von Overfitting und zur Feature-Selektion. Sie fügt der Kostenfunktion einen Term hinzu, der die Summe der Absolutwerte der Modellkoeffizienten bestraft. Dies führt dazu, dass unwichtige Feature-Koeffizienten auf Null gesetzt werden, wodurch irrelevante Features effektiv entfernt und die Modellkomplexität reduziert wird. Das Erhöhen oder Verringern der Trainingsiterationen (Epochen) kann Overfitting beeinflussen, ist aber keine gezielte Methode zur Feature-Selektion oder zur direkten Bekämpfung irrelevanter Features. Ein zu frühes Stoppen (weniger Iterationen) kann zu Underfitting führen, während zu viele Iterationen Overfitting verstärken können, wenn keine Regularisierung angewendet wird. Der SageMaker Debugger ist ein Überwachungstool und kann keine Regularisierung dynamisch während des Laufs anwenden; Regularisierung muss als Teil des Trainingsalgorithmus konfiguriert werden.