Você precisa usar o Amazon SageMaker DeepAR para prever os materiais de entrada e a energia necessários, mas a maioria dos registros de treinamento tem valores-alvo ausentes e os dados são armazenados como JSON. Qual abordagem exige o menor esforço de desenvolvimento para lidar com os valores-alvo ausentes para treinar o DeepAR?

O Amazon SageMaker DeepAR foi projetado para lidar nativamente com valores ausentes em séries temporais. Ao codificar os valores-alvo ausentes como NaN, o DeepAR pode inferir esses valores durante o treinamento, utilizando seu modelo probabilístico. Esta abordagem minimiza o esforço de desenvolvimento porque não exige pré-processamento complexo de imputação e permite que o algoritmo aprenda a distribuição dos dados, incluindo a incerteza associada aos valores ausentes. As outras opções (imputação por regressão linear, preenchimento para frente ou substituição pela média) introduzem suposições sobre os dados ausentes que podem distorcer o treinamento do modelo e exigir um esforço adicional para implementar e validar a estratégia de imputação.