Une entreprise va envoyer des colis promotionnels pour un nouveau produit et souhaite qu'au moins 90 % de tous les acheteurs potentiels reçoivent les documents. Un modèle d'apprentissage linéaire a actuellement un rappel de 80 % et une précision de 75 %. Comment l'entreprise devrait-elle réentraîner le modèle pour prioriser l'atteinte d'un rappel de 90 % ?

Pour atteindre un rappel d'au moins 90 %, l'entreprise doit configurer le modèle d'apprentissage linéaire pour qu'il optimise cette métrique spécifique. L'hyperparamètre targetrecall permet de spécifier la valeur de rappel souhaitée. En le définissant à 90 %, le modèle tentera d'atteindre ce seuil. Le paramètre binaryclassifiermodelselectioncriteria doit être défini sur recallattargetprecision (ou une option similaire comme recallattargetrecall si disponible et plus directe) pour indiquer au modèle de sélectionner le seuil de classification qui maximise le rappel tout en respectant une certaine précision (implicite ou par défaut) ou en visant directement le rappel cible. Les autres options sont incorrectes car : Définir targetprecision à 90 % et binaryclassifiermodelselectioncriteria à precisionattargetrecall prioriserait la précision, ce qui n'est pas l'objectif ici. Utiliser 90 % des données historiques pour l'entraînement et augmenter le nombre d'époques sont des techniques d'entraînement générales qui n'adressent pas directement l'optimisation d'une métrique spécifique comme le rappel. Activer normalizelabel et définir le nombre de classes à 2 sont des configurations de prétraitement des données ou de type de problème, et non des leviers pour ajuster les métriques de performance du modèle.