Un modello ML addestrato su SageMaker è in overfitting e il set di training include funzionalità irrilevanti. Per ridurre l'overfitting e diminuire l'influenza delle funzionalità non necessarie, quale azione dovrebbe intraprendere l'ingegnere?

La regolarizzazione L1 (o Lasso) è una tecnica efficace per ridurre l'overfitting, specialmente quando sono presenti funzionalità irrilevanti. Aggiunge un termine di penalità alla funzione di costo proporzionale al valore assoluto dei coefficienti del modello. Questo spinge i coefficienti delle funzionalità meno importanti a zero, eseguendo implicitamente la selezione delle funzionalità e riducendo la complessità del modello. Aumentare il numero di iterazioni di training potrebbe peggiorare l'overfitting, poiché il modello avrebbe più opportunità di memorizzare il rumore nei dati di training. Diminuire le iterazioni potrebbe portare a un underfitting se il modello non ha abbastanza tempo per imparare i pattern rilevanti. SageMaker Debugger è uno strumento per monitorare e analizzare il training, non per applicare direttamente tecniche di regolarizzazione al modello in esecuzione; la regolarizzazione L1 deve essere configurata prima del training.