한 제조업체는 스마트폰당 2,000개의 진단 측정값을 수집하며, 누락된 값 없이 5백만 개 이상의 레이블이 지정된 평가를 보유하고 있습니다. 모든 특성으로 훈련된 SageMaker 선형 학습기 모델은 F1 점수 0.6을 산출합니다. 모델 훈련에 어떤 변경 사항을 적용해야 F1 점수를 가장 효과적으로 개선할 수 있을까요? (두 가지 선택)

주어진 데이터는 스마트폰당 2,000개의 진단 측정값을 가지며, 이는 매우 높은 차원입니다. 선형 학습기 모델의 F1 점수가 0.6으로 낮은 것은 과적합 또는 관련 없는 특성으로 인한 성능 저하를 시사합니다. 1. SageMaker 선형 학습기 알고리즘을 계속 사용하고 SageMaker 주성분 분석(PCA)을 사용하여 특성 수를 줄입니다. 정답인 이유: PCA는 고차원 데이터를 저차원으로 효과적으로 축소하는 비지도 학습 기법입니다. 특성 수를 줄이면 모델의 복잡성을 낮추고 과적합을 방지하여 선형 학습기 모델의 F1 점수를 개선할 수 있습니다. SageMaker에 내장된 PCA는 대규모 데이터셋에 효율적입니다. 2. SageMaker k-nearest neighbors (k-NN) 알고리즘을 사용하고 훈련 전에 1,000개 미만의 차원으로 차원 축소를 적용합니다. 정답인 이유: k-NN은 고차원 데이터에서 "차원의 저주"에 매우 취약합니다. 2,000개의 특성으로 직접 k-NN을 훈련하면 성능이 크게 저하될 수 있습니다. 따라서 훈련 전에 차원 축소를 적용하여 특성 수를 1,000개 미만으로 줄이는 것은 k-NN 모델의 성능을 향상시키는 데 필수적입니다. SageMaker 선형 학습기 알고리즘을 계속 사용하고 scikit-learn 다차원 척도법(MDS)을 사용하여 특성 수를 줄입니다. 오답인 이유: MDS는 PCA와 유사하게 차원 축소에 사용될 수 있지만, 일반적으로 PCA보다 계산 비용이 높고 대규모 데이터셋에는 적합하지 않을 수 있습니다. 특히 5백만 개 이상의 데이터 포인트에서는 비효율적입니다. SageMaker 선형 학습기 알고리즘을 계속 사용하되 예측자 유형을 회귀 분석기로 전환합니다. 오답인 이유: F1 점수는 분류 모델의 성능 지표입니다. 회귀 분석기는 연속적인 값을 예측하는 데 사용되며, 분류 문제에는 적합하지 않습니다. 예측자 유형