Durante a análise exploratória de dados, várias características categóricas contêm valores ausentes. Como o engenheiro de ML pode usar o SageMaker para lidar com esses valores categóricos ausentes?

A opção correta é usar o SageMaker Data Wrangler para imputar características categóricas com o valor da moda. O Data Wrangler é uma ferramenta do SageMaker projetada para preparação de dados, incluindo a manipulação de valores ausentes. Para dados categóricos, a imputação pela moda (o valor mais frequente) é uma estratégia comum e eficaz, pois preserva a natureza categórica da variável e introduz menos distorção do que outras abordagens. As opções que mencionam o SageMaker Clarify estão incorretas porque o Clarify é usado para detectar vieses e explicar modelos de ML, não para preparação ou imputação de dados. As opções que sugerem imputar características categóricas com o valor médio estão incorretas porque a média é uma medida para dados numéricos e não faz sentido para dados categóricos.