Um desenvolvedor tem dados históricos de demanda por hora no Amazon S3, mas algumas horas estão faltando. O desenvolvedor quer verificar se um modelo ARIMA é adequado. Qual é a melhor maneira de verificar a adequação do ARIMA?

A opção correta é usar o SageMaker Data Wrangler para carregar os dados, reamostrar para totais diários agregados e realizar uma decomposição de tendência sazonal. A reamostragem para dados diários ajuda a mitigar o problema de dados horários ausentes, pois a agregação diária pode preencher essas lacunas ou tornar os dados mais robustos para análise. A decomposição de tendência sazonal é crucial para avaliar a adequação do ARIMA, pois o ARIMA modela componentes de tendência, sazonalidade e resíduos. As opções incorretas sugerem imputação de valores horários ausentes ou uso do SageMaker Autopilot. Embora a imputação possa ser útil, reamostrar para um período maior (diário) é uma abordagem mais robusta para dados de séries temporais com lacunas. O Autopilot não é ideal para avaliar a adequação de modelos ARIMA específicos, pois seu foco é a automação de ML geral, não a análise exploratória de séries temporais para validação de modelos específicos como o ARIMA.