Ein Modell prognostiziert das Vorhandensein eines bestimmten Unkrauts unter Verwendung des integrierten SageMaker Linear-Learner mit auf multiclass_classifier eingestelltem predictor_type. Das Team möchte Fehlalarme minimieren. Welche Hyperparameter-Änderung sollten sie vornehmen?

Um Fehlalarme (False Positives) zu minimieren, muss die Präzision (Precision) des Modells erhöht werden. Der SageMaker Linear Learner bietet den Hyperparameter targetprecision, der direkt darauf abzielt, die Präzision für eine bestimmte Klasse zu optimieren. Durch Erhöhen dieses Wertes wird das Modell darauf trainiert, weniger positive Vorhersagen zu treffen, die falsch sind, auch wenn dies möglicherweise zu mehr False Negatives führt. Das Setzen von weightdecay auf Null würde die Regularisierung reduzieren, was zu Überanpassung führen könnte und die Präzision nicht direkt beeinflusst. Das Erhöhen der Trainings-Epochen kann die Modellleistung verbessern, optimiert aber nicht spezifisch die Präzision. Das Ändern von predictortype auf regressor ist falsch, da es sich um ein Klassifizierungsproblem handelt und ein Regressor für kontinuierliche Ausgaben verwendet wird.