Um engenheiro de dados está usando o Amazon SageMaker Data Wrangler para avaliar dados de clientes para um modelo de previsão de comportamento. Para melhorar o desempenho do modelo, eles precisam verificar a multicolinearidade. Quais etapas exigem o menor esforço operacional para detectar a multicolinearidade? (Escolha duas.)

A multicolinearidade ocorre quando variáveis preditoras em um modelo estão altamente correlacionadas entre si, o que pode impactar a estabilidade e a interpretabilidade do modelo. As visualizações de diagnóstico do SageMaker Data Wrangler, combinadas com PCA e SVD, são eficientes para detectar multicolinearidade. PCA e SVD podem identificar componentes que capturam a maior parte da variância nos dados, e a análise dos valores singulares pode revelar a presença de multicolinearidade. Da mesma forma, o uso das visualizações de diagnóstico do SageMaker Data Wrangler e a execução do LASSO (Least Absolute Shrinkage and Selection Operator) também são eficazes. O LASSO é uma técnica de regularização que pode reduzir a importância de variáveis correlacionadas, tornando seus coeficientes próximos de zero, o que é um indicador de multicolinearidade. Reajustar e transformar o conjunto de dados aplicando codificação one-hot a variáveis categóricas não detecta multicolinearidade; é uma etapa de pré-processamento. A visualização Quick Model avalia a importância dos recursos, mas não a multicolinearidade. A transformação Min Max Scaler normaliza recursos numéricos, mas não detecta multicolinearidade.