在训练之前，必须以最少的操作工作量解决数据集的类不平衡问题。哪个选项能最好地实现这一点？

正确答案是使用 Amazon SageMaker Data Wrangler 的平衡数据操作对少数类进行过采样。SageMaker Data Wrangler 提供了一个内置的“平衡数据”转换，可以直接在数据准备流程中应用过采样（或欠采样）技术，以解决类不平衡问题，且操作工作量最少。 其他选项的不足之处在于： 使用 Amazon Athena 发现模式然后手动调整数据集：这需要大量手动工作，不符合“最少操作工作量”的要求。 使用 SageMaker Studio Classic 内置算法处理不平衡数据集：SageMaker Studio Classic 本身不直接提供处理不平衡数据集的内置算法，而是提供一个集成开发环境，需要用户编写代码或使用特定算法库。 使用 AWS Glue DataBrew 内置功能对少数类进行过采样：AWS Glue DataBrew 确实提供数据准备功能，但其内置的转换操作中没有直接针对类不平衡的过采样功能，通常需要更复杂的自定义配方来实现。