Ein Dateningenieur verwendet Amazon SageMaker Data Wrangler, um Kundendaten für ein Verhaltensvorhersagemodell auszuwerten. Um die Modellleistung zu verbessern, muss er auf Multikollinearität prüfen. Welche Schritte erfordern den geringsten operativen Aufwand, um Multikollinearität zu erkennen? (Wählen Sie zwei.)

Um Multikollinearität mit dem geringsten operativen Aufwand zu erkennen, sind die Diagnosevisualisierungen von SageMaker Data Wrangler ideal. Eine Hauptkomponentenanalyse (PCA) und Singulärwertzerlegung (SVD) können verwendet werden, um Singulärwerte zu erhalten, die Aufschluss über das Vorhandensein von Multikollinearität geben. Alternativ kann LASSO (Least Absolute Shrinkage and Selection Operator) eingesetzt werden. Durch das Plotten der Koeffizientenwerte eines auf dem Datensatz trainierten LASSO-Modells lassen sich stark korrelierte Features identifizieren, da LASSO dazu neigt, die Koeffizienten eines der korrelierten Features auf Null zu setzen. Das Anwenden von One-Hot-Encoding ist eine Transformation, keine Erkennungsmethode. Quick Model Visualisierung und Min Max Scaler sind nicht primär zur Erkennung von Multikollinearität gedacht.