Bevor ein ML-Ingenieur Features für ein Risikoanalysemodell auswählt, möchte er abschätzen, wie stark jedes Trainings-Feature zum Ziel beiträgt. Welcher SageMaker Data Wrangler-Ansatz ist geeignet, um Schätzungen des Feature-Beitrags oder der Wichtigkeit zu erhalten?

Die Schnellmodellvisualisierung in SageMaker Data Wrangler ist die korrekte Wahl, da sie speziell dafür entwickelt wurde, Feature-Importance-Scores zu generieren. Dies hilft ML-Ingenieuren, den Beitrag jedes Features zum Ziel zu verstehen, bevor sie Features für ein Modell auswählen. Multikollinearitätsmessungen und PCA sind Techniken zur Dimensionsreduktion und zur Analyse von Feature-Beziehungen, liefern aber keine direkten Feature-Importance-Scores im Kontext eines Modells. Der Bias-Bericht identifiziert Verzerrungen in den Daten, ist aber nicht primär für die Bestimmung der Feature-Wichtigkeit gedacht. Das manuelle Zuweisen von Feature-Scores in einem Datenfluss ist ineffizient und nicht datengesteuert.