某製造商每支智慧型手機收集 2,000 個診斷測量值，並擁有超過 500 萬個帶有標籤的評估，且沒有遺失值。在所有特徵上訓練的 SageMaker 線性學習器模型產生的 F1 分數為 0.6。哪些模型訓練的變更最有可能提高 F1 分數？（請選擇兩項。）

製造商擁有大量特徵（2,000 個）和大量資料（500 萬個評估）。線性學習器模型表現不佳（F1 分數為 0.6），這可能表明模型過度擬合或特徵維度過高。 選項一：使用 SageMaker PCA 減少特徵數量。PCA 是一種有效的降維技術，可以減少特徵數量，同時保留大部分資訊，這有助於改善線性模型的性能並減少過度擬合。 選項五：使用 SageMaker k-NN 演算法，並在訓練前將維度縮減至少於 1,000 個維度。k-NN 是一種非參數演算法，通常在維度較低時表現更好。在訓練 k-NN 模型之前進行降維可以提高其效率和準確性。 選項二：MDS 是一種降維技術，但通常用於可視化或探索性分析，對於提高模型性能而言，PCA 通常是更直接且計算效率更高的選擇。 選項三：將預測器類型切換為迴歸器不適用於分類問題，因為 F1 分數是分類模型的評估指標。 選項四：k-means 是一種聚類演算法，不適用於監督式學習的分類問題。