Antes do treinamento, o desequilíbrio de classes do conjunto de dados deve ser resolvido com o mínimo esforço operacional. Qual opção melhor realiza isso?

A operação de balanceamento de dados do Amazon SageMaker Data Wrangler é a melhor opção porque oferece uma solução integrada e de baixo esforço operacional para lidar com o desequilíbrio de classes. O Data Wrangler permite aplicar transformações de dados, incluindo superamostragem da classe minoritária, diretamente na interface visual, sem a necessidade de codificação complexa ou manipulação manual. As outras opções são menos ideais: Usar o Amazon Athena para descobrir padrões e ajustar manualmente é ineficiente e propenso a erros, exigindo alto esforço operacional. Usar algoritmos integrados do SageMaker Studio Classic pode ajudar, mas não aborda diretamente a etapa de pré-processamento de balanceamento de dados de forma tão eficiente quanto o Data Wrangler. Usar recursos integrados do AWS Glue DataBrew pode ser uma opção, mas o SageMaker Data Wrangler é especificamente projetado para o pré-processamento de dados para ML, oferecendo uma integração mais fluida e recursos mais focados para essa tarefa.