Un modelo predice la presencia de una maleza específica utilizando el algoritmo incorporado linear-learner de SageMaker con predictor_type configurado como multiclass_classifier. El equipo quiere minimizar los falsos positivos. ¿Qué cambio de hiperparámetro deberían realizar?

Para minimizar los falsos positivos en un clasificador, se debe aumentar la precisión (precision). El hiperparámetro targetprecision en el algoritmo Linear Learner de SageMaker está diseñado para optimizar el modelo hacia una mayor precisión, lo que directamente reduce la tasa de falsos positivos. Al aumentar su valor, el modelo priorizará la correcta identificación de las instancias positivas, incluso si esto significa omitir algunas. Establecer weightdecay en cero desactiva la regularización L2, lo que podría llevar a un sobreajuste y no aborda directamente la minimización de falsos positivos. Aumentar las épocas de entrenamiento puede mejorar el rendimiento general, pero no garantiza la reducción específica de falsos positivos. Cambiar predictortype a regressor transformaría el problema de clasificación en uno de regresión, lo cual es incorrecto para este caso de uso.