Un modèle ML entraîné sur SageMaker est en surapprentissage, et l'ensemble d'entraînement inclut des caractéristiques non pertinentes. Pour réduire le surapprentissage et diminuer l'influence des caractéristiques inutiles, quelle action l'ingénieur devrait-il entreprendre ?

La régularisation L1 (Lasso) est une technique efficace pour réduire le surapprentissage et effectuer la sélection de caractéristiques en forçant les poids des caractéristiques non pertinentes à zéro. Cela simplifie le modèle et réduit son ajustement aux bruits des données d'entraînement. Augmenter le nombre d'itérations d'entraînement aggraverait le surapprentissage. Diminuer le nombre d'itérations pourrait entraîner un sous-apprentissage ou ne pas résoudre le problème des caractéristiques non pertinentes. SageMaker Debugger est un outil de surveillance et de débogage, mais il n'applique pas directement la régularisation L1 au modèle pendant son exécution ; la régularisation doit être configurée avant l'entraînement.