Model ML wytrenowany w SageMakerze nadmiernie dopasowuje się (overfitting), a zbiór treningowy zawiera nieistotne cechy. Aby zmniejszyć nadmierne dopasowanie i osłabić wpływ niepotrzebnych cech, jakie działanie powinien podjąć inżynier?

Regularyzacja L1 (Lasso) jest skuteczną techniką zmniejszania nadmiernego dopasowania (overfitting) i selekcji cech. Dodaje ona do funkcji kosztu karę proporcjonalną do wartości bezwzględnej wag modelu, co prowadzi do zerowania wag dla mniej istotnych cech. W ten sposób model staje się prostszy i mniej wrażliwy na szum w danych treningowych. Zwiększenie liczby iteracji treningowych mogłoby pogłębić overfitting, a zmniejszenie liczby iteracji mogłoby prowadzić do niedopasowania (underfitting). SageMaker Debugger służy do monitorowania i debugowania procesów treningowych, a nie do bezpośredniego stosowania regularyzacji. Regularyzację L1 należy zaimplementować w konfiguracji algorytmu treningowego przed rozpoczęciem ponownego trenowania.