Un modèle prédit la présence d'une mauvaise herbe spécifique à l'aide de l'algorithme intégré SageMaker linear-learner, avec predictor_type défini sur multiclass_classifier. L'équipe souhaite minimiser les faux positifs. Quelle modification d'hyperparamètre devrait-elle apporter ?

Pour minimiser les faux positifs (c'est-à-dire réduire les cas où le modèle prédit la présence de la mauvaise herbe alors qu'elle est absente), il faut augmenter la précision du modèle. L'hyperparamètre targetprecision dans SageMaker linear-learner est conçu pour ajuster le seuil de classification afin de privilégier une plus grande précision au détriment du rappel. En l'augmentant, le modèle sera plus strict dans ses prédictions positives, réduisant ainsi les faux positifs. Définir weightdecay sur zéro pourrait entraîner un surapprentissage, ce qui n'aide pas à la réduction des faux positifs. Augmenter le nombre d'époques d'entraînement peut améliorer la convergence mais n'est pas directement lié à la gestion des faux positifs comme l'est targetprecision. Changer predictortype en regressor transformerait le problème de classification en régression, ce qui est inapproprié pour prédire la présence ou l'absence d'une mauvaise herbe.