Antes de selecionar recursos para um modelo de análise de risco, um engenheiro de ML quer estimar o quanto cada recurso de treinamento contribui para o alvo. Qual abordagem do SageMaker Data Wrangler é apropriada para obter estimativas de contribuição ou importância de recursos?

A visualização de modelo rápido do Data Wrangler é a ferramenta correta porque ela treina automaticamente um modelo leve e gera pontuações de importância de recursos, permitindo que o engenheiro de ML entenda a contribuição de cada recurso para o alvo. As medições de multicolinearidade e PCA são para reduzir a dimensionalidade e lidar com a correlação entre recursos, não para estimar a importância direta para o alvo. O relatório de viés do Data Wrangler é para identificar e mitigar vieses nos dados, não para a importância de recursos. Construir um pipeline de preparação de dados e atribuir pontuações manualmente não é uma funcionalidade automática do Data Wrangler para estimar a importância de recursos.