Ein Unternehmen wird Werbepakete für ein neues Produkt versenden und möchte, dass mindestens 90 % aller wahrscheinlichen Käufer die Materialien erhalten. Ein lineares Lernmodell hat derzeit eine Trefferquote (Recall) von 80 % und eine Genauigkeit (Precision) von 75 %. Wie sollte das Unternehmen das Modell neu trainieren, um eine Trefferquote von 90 % zu priorisieren?

Um eine Trefferquote (Recall) von 90 % zu priorisieren, sollte der Hyperparameter targetrecall auf 90 % gesetzt werden. Dies weist das Modell an, diesen Recall-Wert anzustreben. Gleichzeitig muss binaryclassifiermodelselectioncriteria auf recallattargetprecision eingestellt werden. Obwohl hier Recall priorisiert wird, ist recallattargetprecision die korrekte Einstellung, um das Modell so zu optimieren, dass es den gewünschten Recall-Wert erreicht, während es gleichzeitig eine akzeptable Precision beibehält. Die Option "targetprecision auf 90 % und binaryclassifiermodelselectioncriteria auf precisionattargetrecall" wäre korrekt, wenn Precision priorisiert werden sollte. Die Verwendung von 90 % der Daten für das Training und die Erhöhung der Epochenanzahl sind allgemeine Trainingsstrategien, die nicht direkt die Priorisierung von Recall steuern. normalizelabel und die Anzahl der Klassen sind für die Datenvorverarbeitung relevant, nicht für die Optimierung spezifischer Metriken.