Producent zbiera 2000 pomiarów diagnostycznych z każdego smartfona i posiada ponad 5 milionów oznaczonych ocen bez brakujących wartości. Model SageMaker linear learner, wytrenowany na wszystkich cechach, osiąga wynik F1 równy 0,6. Które zmiany w trenowaniu modelu najprawdopodobniej poprawią wynik F1? (Wybierz dwie odpowiedzi)

Poprawa wyniku F1 często wiąże się z lepszym zarządzaniem cechami lub wyborem odpowiedniejszego algorytmu. Zmniejszenie liczby cech za pomocą PCA (Principal Component Analysis) jest skuteczną metodą redukcji wymiarowości, która zachowuje większość wariancji danych, eliminując szum i redundancję. Może to poprawić wydajność modelu liniowego, zmniejszając ryzyko przeuczenia i przyspieszając trenowanie. MDS (Multidimensional Scaling) jest mniej typowe do redukcji wymiarowości w kontekście poprawy wydajności klasyfikacji i częściej używane do wizualizacji podobieństw. Użycie algorytmu k-NN (k-nearest neighbors) jest dobrym wyborem dla danych o wysokiej wymiarowości, zwłaszcza gdy dane są dobrze rozdzielone w przestrzeni cech. Redukcja wymiarowości przed trenowaniem k-NN jest kluczowa, ponieważ algorytm ten jest wrażliwy na "przekleństwo wymiarowości", gdzie odległości stają się mniej znaczące w przestrzeniach o bardzo wielu wymiarach. Zmiana predyktora na regressor jest nieodpowiednia, ponieważ problem jest klasyfikacją (oceny), a nie regresją. Algorytm k-means jest algorytmem grupowania (klasteryzacji) i nie nadaje się do problemów klasyfikacji nadzorowanej.