Ein Finanzteam verfügt über Aktienrenditedaten für 5.000 Unternehmen mit jeweils 2.000 Merkmalen. Es möchte die 15 nützlichsten Merkmale zur Vorhersage zukünftiger Renditen mit minimalem Betriebsaufwand identifizieren. Welcher Ansatz erfüllt diese Anforderung?

Amazon SageMaker Autopilot automatisiert die Erstellung von Machine-Learning-Modellen und generiert auch Feature-Wichtigkeitsberichte über SageMaker Clarify, was den operativen Aufwand minimiert. Dies ist ideal für die Identifizierung der nützlichsten Merkmale aus einer großen Menge. Die Option mit linearer Regression und Koeffizientenwerten ist weniger robust für komplexe Beziehungen und 2.000 Merkmale. Die Random-Forest-Regression mit Gini-Wichtigkeit ist eine gute Methode, erfordert aber mehr manuellen Aufwand als Autopilot. SageMaker Data Wrangler ist primär für die Datenaufbereitung und Visualisierung gedacht; obwohl es Feature-Importance-Scores liefern kann, ist es nicht die umfassendste oder automatisierteste Lösung für die Modellerstellung und Feature-Analyse im Vergleich zu Autopilot.