Un modello predice la presenza di una specifica erba infestante utilizzando linear-learner integrato di SageMaker con predictor_type impostato su multiclass_classifier. Il team vuole minimizzare i falsi positivi. Quale modifica all'iperparametro dovrebbero apportare?

Per minimizzare i falsi positivi (ridurre i casi in cui il modello predice erroneamente la presenza dell'erba infestante), è necessario aumentare la precisione del modello. L'iperparametro targetprecision nel modello linear-learner di SageMaker è progettato proprio per questo scopo: quando aumentato, il modello viene ottimizzato per raggiungere una maggiore precisione, anche a costo di una minore recall o accuratezza complessiva. Impostare weightdecay a zero potrebbe portare a overfitting, non influenzando direttamente i falsi positivi in modo controllato. Aumentare le epoche di training potrebbe migliorare la convergenza ma non garantisce una riduzione specifica dei falsi positivi senza altre modifiche. Cambiare predictortype in regressor trasformerebbe il problema da classificazione a regressione, rendendolo inadatto per predire la presenza (sì/no) dell'erba infestante.