Een fabrikant verzamelt 2.000 diagnostische metingen per smartphone en heeft meer dan 5 miljoen gelabelde evaluaties zonder ontbrekende waarden. Een SageMaker linear learner-model dat is getraind op alle features levert een F1-score van 0,6 op. Welke wijzigingen in de modeltraining zullen de F1-score waarschijnlijk verbeteren? (Kies twee.)

Een F1-score van 0,6 duidt op een matige prestatie, en het grote aantal features (2.000) in combinatie met een lineair model kan leiden tot overfitting of ruis. Het verminderen van het aantal features met SageMaker PCA is een effectieve strategie. PCA identificeert de meest informatieve dimensies en verwijdert redundantie, wat de modelprestaties kan verbeteren en de training versnelt. Het overschakelen naar het SageMaker k-NN-algoritme, gecombineerd met dimensionaliteitsreductie, is ook een goede aanpak. k-NN is een niet-parametrisch algoritme dat goed kan presteren op complexe datasets, en dimensionaliteitsreductie (bijvoorbeeld met PCA) helpt de "vloek van dimensionaliteit" te vermijden, die k-NN gevoelig maakt voor een hoog aantal features. MDS is minder geschikt voor het verminderen van features voor lineaire modellen dan PCA. Het veranderen van het voorspellingstype naar een regressor is onjuist, aangezien het een classificatieprobleem betreft. k-means is een clusteringalgoritme, geen classificatiealgoritme, en is daarom niet geschikt voor deze taak.