Bir üretici, akıllı telefon başına 2.000 teşhis ölçümü toplar ve eksik değeri olmayan 5 milyondan fazla etiketli değerlendirmeye sahiptir. Tüm özellikler üzerinde eğitilmiş bir SageMaker linear learner modeli 0,6 F1 puanı verir. Model eğitiminde yapılan hangi değişikliklerin F1 puanını iyileştirme olasılığı en yüksektir? (İki tane seçin.)

Soruda belirtilen 2000 teşhis ölçümü, yüksek boyutlu bir veri setine işaret eder. Yüksek boyutlu verilerde, boyut azaltma teknikleri model performansını artırabilir. SageMaker Principal Component Analysis (PCA) kullanarak özellik sayısını azaltmak, doğrusal öğrenici modelinin daha az gürültü ile daha anlamlı kalıpları öğrenmesine yardımcı olabilir, bu da F1 puanını iyileştirebilir. PCA, yüksek boyutlu verilerdeki varyansı koruyarak boyutluluğu azaltan etkili bir yöntemdir. SageMaker k-nearest neighbors (k-NN) algoritması, yüksek boyutlu verilerde "boyutların laneti"nden etkilenebilir. Bu nedenle, k-NN kullanmadan önce boyut azaltma uygulamak, komşuluk ilişkilerinin daha doğru bir şekilde belirlenmesini sağlayarak modelin performansını artırabilir. Scikit-learn multidimensional scaling (MDS) de bir boyut azaltma tekniği olsa da, PCA genellikle yüksek boyutlu verilerde varyansı koruma ve hesaplama verimliliği açısından daha yaygın ve etkilidir. Regressor olarak değiştirmek, sınıflandırma problemi için uygun değildir. SageMaker k-means algoritması bir kümeleme algoritmasıdır ve bu bir sınıflandırma problemidir, bu nedenle doğrudan F1 puanını iyileştirmek için uygun değildir.