Производитель собирает 2000 диагностических измерений с каждого смартфона и имеет более 5 миллионов размеченных оценок без пропущенных значений. Модель SageMaker linear learner, обученная на всех признаках, дает F1-меру 0,6. Какие изменения в обучении модели с наибольшей вероятностью улучшат F1-меру? (Выберите два варианта.)

Высокое количество признаков (2000) при F1-мере 0,6 указывает на проблему проклятия размерности, которая снижает производительность модели. Уменьшение размерности с помощью PCA для SageMaker linear learner поможет улучшить F1-меру, так как PCA эффективно сокращает количество признаков, сохраняя при этом большую часть дисперсии данных. Использование SageMaker k-nearest neighbors (k-NN) также является хорошим выбором, поскольку k-NN хорошо работает с уменьшенной размерностью, а уменьшение количества признаков до менее 1000 снизит вычислительную сложность и улучшит производительность. MDS менее подходит для уменьшения размерности при таком большом количестве признаков. Изменение на регрессор неверно, так как задача классификации. K-means — это алгоритм кластеризации, а не классификации.