Een model voorspelt de aanwezigheid van een specifieke onkruidsoort met behulp van SageMaker ingebouwde linear-learner, waarbij predictor_type is ingesteld op multiclass_classifier. Het team wil het aantal false positives minimaliseren. Welke hyperparameterwijziging moeten ze aanbrengen?

De correcte optie is het verhogen van de waarde van de targetprecision hyperparameter. Bij een multiclassclassifier, en in het bijzonder bij het minimaliseren van false positives, is het verhogen van de targetprecision een effectieve methode. Dit dwingt het model om voorzichtiger te zijn met positieve voorspellingen, waardoor de precisie (het aandeel correct positieve voorspellingen van alle positieve voorspellingen) toeneemt en het aantal false positives afneemt. Het instellen van weightdecay op nul vermindert regularisatie, wat kan leiden tot overfitting en niet direct false positives minimaliseert. Het verhogen van het aantal trainingsepochen kan de modelprestaties verbeteren, maar garandeert geen minimalisatie van false positives en kan zelfs leiden tot overfitting. Het wijzigen van predictortype naar regressor is onjuist, omdat het probleem een classificatieprobleem is (aanwezigheid van onkruid) en geen regressieprobleem (voorspellen van een continue waarde).