Una empresa enviará paquetes promocionales para un nuevo producto y quiere que al menos el 90% de todos los posibles compradores reciban los materiales. Un modelo de aprendizaje lineal tiene actualmente un 80% de recall y un 75% de precision. ¿Cómo debería la empresa reentrenar el modelo para priorizar alcanzar un 90% de recall?

La empresa necesita priorizar el recall (sensibilidad) para asegurarse de que la mayoría de los posibles compradores reciban el material promocional, incluso si eso significa enviar a algunas personas que no son compradores (menor precisión). Establecer targetrecall en 90% y binaryclassifiermodelselectioncriteria en recallattargetprecision le indica al modelo que optimice para alcanzar ese nivel de recall. La opción incorrecta de targetprecision en 90% y precisionattargetrecall priorizaría la precisión, lo que resultaría en menos falsos positivos pero un recall potencialmente bajo, perdiendo posibles compradores. Usar el 90% de los datos históricos para entrenamiento o aumentar las épocas son técnicas de entrenamiento generales que no abordan directamente la optimización de métricas específicas como el recall. Habilitar normalizelabel y establecer el número de clases en 2 son configuraciones básicas para problemas de clasificación binaria, no para optimizar el recall.