Een bedrijf gaat promotiemateriaal versturen voor een nieuw product en wil dat ten minste 90% van alle waarschijnlijke kopers het materiaal ontvangt. Een linear learner-model heeft momenteel 80% recall en 75% precision. Hoe moet het bedrijf het model opnieuw trainen om prioriteit te geven aan het bereiken van 90% recall?

Om 90% recall te bereiken, moet het bedrijf de targetrecall hyperparameter instellen op 90%. Dit instrueert het model om te optimaliseren voor het vinden van een drempelwaarde die ten minste 90% van de positieve gevallen identificeert. De binaryclassifiermodelselectioncriteria moet worden ingesteld op recallattargetprecision om ervoor te zorgen dat het model de beste drempel kiest die deze recall-doelstelling bereikt, terwijl het ook rekening houdt met precision. De tweede optie is onjuist omdat het prioriteit geeft aan precision in plaats van recall. De derde optie (meer trainingsgegevens en epochs) kan de modelprestaties verbeteren, maar garandeert niet specifiek een hogere recall en is geen gerichte aanpak voor dit probleem. De vierde optie (normalizelabel en aantal klassen) is irrelevant voor het aanpassen van recall in een binair classificatiemodel.