Ein Hersteller erfasst 2.000 Diagnosedaten pro Smartphone und verfügt über mehr als 5 Millionen beschriftete Auswertungen ohne fehlende Werte. Ein SageMaker Linear Learner-Modell, das auf allen Features trainiert wurde, erzielt einen F1-Score von 0,6. Welche Änderungen am Modelltraining verbessern am ehesten den F1-Score? (Wählen Sie zwei.)

Ein F1-Score von 0,6 deutet auf Verbesserungspotenzial hin. Bei 2.000 Features pro Smartphone und 5 Millionen Datenpunkten ist die hohe Dimensionalität ein wahrscheinliches Problem, das zu Overfitting oder schlechter Generalisierung führen kann. 1. SageMaker Linear Learner mit PCA: Die Reduzierung der Feature-Anzahl mittels PCA kann die Modellleistung verbessern, indem Rauschen reduziert und die wichtigsten Informationen extrahiert werden. Dies hilft dem Linear Learner, relevantere Muster zu finden und Overfitting zu vermeiden. 2. SageMaker k-NN mit Dimensionsreduktion: k-NN ist ein nicht-parametrischer Algorithmus, der stark von der Dimensionalität der Daten beeinflusst wird (Fluch der Dimensionalität). Eine Dimensionsreduktion vor dem Training verbessert die Effizienz und Genauigkeit von k-NN erheblich, da die Distanzberechnungen in einem niedrigerdimensionalen Raum aussagekräftiger werden. Falsche Optionen: MDS: MDS ist primär für die Visualisierung und nicht für die Feature-Selektion in diesem Kontext optimiert. PCA ist hier die bessere Wahl. Regressor: Der F1-Score wird für Klassifikationsprobleme verwendet. Eine Änderung zu einem Regressor wäre für dieses Problem ungeeignet. k-means: k-means ist ein Clustering-Algorithmus und für unüberwachtes Lernen gedacht, nicht für die Verbesserung eines F1-Scores bei einem überwachten Klassifikationsproblem.