Un'azienda invierà pacchetti promozionali per un nuovo prodotto e desidera che almeno il 90% di tutti i probabili acquirenti riceva i materiali. Un modello di linear learner ha attualmente un recall dell'80% e una precisione del 75%. Come dovrebbe l'azienda riaddestrare il modello per dare priorità al raggiungimento di un recall del 90%?

L'obiettivo dell'azienda è garantire che almeno il 90% dei probabili acquirenti riceva i materiali promozionali, il che si traduce direttamente in un requisito di recall (sensibilità) del 90%. Per raggiungere questo obiettivo con un modello Linear Learner, è necessario impostare l'iperparametro targetrecall al 90%. Inoltre, per ottimizzare il modello in base a questo requisito, si deve impostare binaryclassifiermodelselectioncriteria su recallattargetprecision. Questo indica al modello di selezionare il punto operativo che massimizza il recall mantenendo una precisione accettabile (o viceversa, a seconda della specifica implementazione, ma qui l'enfasi è sul recall). Le altre opzioni sono errate perché: Impostare targetprecision e precisionattargetrecall darebbe priorità alla precisione, non al recall. Usare il 90% dei dati storici per l'addestramento e aumentare le epoche non mira direttamente al recall specifico. Abilitare normalizelabel e impostare il numero di classi a 2 sono impostazioni generali per la classificazione binaria, non specifiche per ottimizzare il recall.