Ein Data Scientist wird Amazon SageMaker Data Wrangler verwenden, um historische S3-Daten für die explorative Datenanalyse (EDA) zu importieren, um seltene Anomalien zu finden. Welche Importoption sollte der Data Scientist wählen, um die Rechenressourcen während der EDA zu minimieren?

Um Rechenressourcen während der explorativen Datenanalyse (EDA) zu minimieren, insbesondere bei der Suche nach seltenen Anomalien, ist die Option "First K" am besten geeignet. Diese Methode importiert die ersten K Zeilen des Datensatzes, was die Datenmenge, die verarbeitet werden muss, erheblich reduziert. Da Anomalien selten sind, ist es wahrscheinlicher, dass sie in einem zufällig ausgewählten oder geschichteten Sample übersehen werden, wenn die Stichprobengröße zu klein ist. Die Auswahl von K basierend auf Domänenwissen ermöglicht eine gezielte Reduzierung, während die Möglichkeit zur Entdeckung von Anomalien erhalten bleibt. Die Option "None" würde den gesamten Datensatz importieren, was die Rechenkosten maximiert. "Stratified" und "Randomized" sind Sampling-Methoden, die zwar die Datenmenge reduzieren, aber bei seltenen Anomalien das Risiko bergen, diese nicht in der Stichprobe zu erfassen, es sei denn, die Stichprobengröße ist sehr groß, was wiederum die Rechenressourcen erhöht.