一位机器学习专家正在使用包含复杂窗口聚合的 PySpark 作业准备数据。他们希望测试不同的特征数量和样本大小如何影响模型性能。哪种方法可以让他们记录转换参数和结果，以便评估和比较数据准备的变体？

正确答案是“在脚本中使用 Amazon SageMaker Experiments 跟踪器记录关键参数，并将其作为 SageMaker processing job 运行。” SageMaker Experiments 旨在跟踪和比较机器学习实验，包括数据预处理步骤。它允许您记录转换参数（如特征数量、样本大小）和结果，从而轻松评估不同数据准备变体的影响。SageMaker Processing Job 是运行 PySpark 脚本的理想环境，因为它提供了托管的计算资源，并且可以与 SageMaker Experiments 无缝集成。 其他选项不正确的原因： SageMaker Debugger 主要用于调试模型训练过程中的问题，例如梯度消失或过拟合，而不是用于跟踪数据预处理参数和结果。 将作业作为 AWS Glue 作业运行虽然可行，但 AWS Glue 本身不提供像 SageMaker Experiments 那样专门用于跟踪和比较实验的内置功能，需要额外的工作来记录和分析这些数据。