一位数据工程师正在使用 Amazon SageMaker Data Wrangler 评估客户数据，以构建行为预测模型。为了提高模型性能，他们需要检查多重共线性。哪些步骤所需的运维工作量最少，可以检测多重共线性？（选择两项）

主成分分析 (PCA) 和奇异值分解 (SVD) 是检测多重共线性的有效方法，因为它们可以识别高度相关的特征，并且 SageMaker Data Wrangler 提供了内置的诊断可视化功能，可以轻松运行这些分析，运维工作量最少。LASSO（最小绝对收缩和选择算子）是一种回归分析方法，它通过惩罚系数的绝对值来执行特征选择和正则化。通过绘制 LASSO 模型的系数，可以识别出哪些特征的系数被收缩到零或接近零，这表明它们与其他特征高度相关或对模型贡献较小，从而揭示多重共线性。SageMaker Data Wrangler 同样支持此功能。 重新拟合和转换数据集（选项 A）本身并不能直接检测多重共线性，它更多是数据预处理步骤。Quick Model 可视化（选项 C）主要用于快速评估模型性能和特征重要性，而不是直接检测多重共线性。Min Max Scaler 转换（选项 D）是特征缩放方法，用于规范化数值特征，与检测多重共线性无关。