一个财务团队拥有5,000家公司的股票回报数据，每家公司有2,000个特征。他们希望识别出对预测未来回报最有用且运营开销最小的15个特征。哪种方法能满足这一需求？

正确答案是使用Amazon SageMaker Autopilot构建回归模型，并从SageMaker Clarify报告中获取特征重要性。SageMaker Autopilot能自动探索大量模型并找到最佳模型，同时其集成的SageMaker Clarify可以提供基于SHAP值的特征重要性报告，SHAP值是一种广泛认可且计算开销相对较低的特征重要性度量方法，能有效识别对预测未来回报最有用的特征。 其他选项的不足在于： 线性学习器虽然可以提供系数，但对于2000个特征的复杂数据集，线性模型可能无法捕捉所有非线性关系，且系数大小不总是特征真实重要性的最佳指标。 随机森林的基尼重要性虽然常用，但它存在偏向于高基数特征和有偏样本的缺点，且计算开销可能相对较高。 SageMaker Data Wrangler的快速模型可视化功能主要用于数据探索和初步分析，其提供的特征重要性可能不如Clarify报告那样全面和深入，且不一定能直接导出用于后续选择。