Model przewiduje obecność konkretnego chwastu, używając wbudowanego w SageMaker algorytmu linear-learner z parametrem predictor_type ustawionym na multiclass_classifier. Zespół chce zminimalizować fałszywe pozytywy. Jaką zmianę hiperparametru powinni wprowadzić?

Aby zminimalizować fałszywe pozytywy w klasyfikacji wieloklasowej za pomocą algorytmu Linear Learner, należy zwiększyć wartość hiperparametru targetprecision. Ten hiperparametr ma na celu poprawę precyzji (precision) modelu, co bezpośrednio przekłada się na zmniejszenie liczby fałszywych pozytywów. Zwiększenie targetprecision sprawia, że model staje się bardziej konserwatywny w przypisywaniu pozytywnych klas, co jest kluczowe, gdy koszt fałszywych pozytywów jest wysoki. Ustawienie weightdecay na zero zmniejszyłoby regularyzację, co mogłoby prowadzić do nadmiernego dopasowania (overfitting) i pogorszenia uogólnienia, a niekoniecznie do zmniejszenia fałszywych pozytywów. Zwiększenie liczby epok treningowych może poprawić dopasowanie, ale bez odpowiedniej regularyzacji może również prowadzić do overfittingu. Zmiana predictortype na regressor jest niewłaściwa, ponieważ problem jest problemem klasyfikacji, a nie regresji.