Un fabricant collecte 2 000 mesures de diagnostic par smartphone et dispose de plus de 5 millions d'évaluations étiquetées sans valeurs manquantes. Un modèle SageMaker linear learner entraîné sur toutes les caractéristiques donne un score F1 de 0,6. Quelles modifications de l'entraînement du modèle sont les plus susceptibles d'améliorer le score F1 ? (Choisissez-en deux.)

Un score F1 de 0,6 indique une performance modérée. La réduction de la dimensionnalité est souvent bénéfique pour les modèles linéaires lorsque le nombre de caractéristiques est élevé (2 000), car elle peut réduire le surapprentissage et améliorer la généralisation. PCA est une technique de réduction de dimensionnalité courante et efficace, disponible dans SageMaker. MDS est moins adapté pour la réduction de caractéristiques à grande échelle dans ce contexte. Changer le type de prédicteur en régresseur est incorrect car le score F1 est une métrique de classification, pas de régression. K-means est un algorithme de clustering non supervisé, inadapté pour améliorer un score F1 de classification. K-NN est un algorithme de classification non linéaire qui peut mieux capturer des relations complexes que le Linear Learner, et la réduction de dimensionnalité est également bénéfique pour K-NN, surtout avec un grand nombre de caractéristiques, en améliorant la performance et l'efficacité.