Ein ML-Ingenieur erstellt ein Modell in SageMaker Canvas, um kontinuierliche numerische Vorhersagen unter Verwendung von 10 Jahren historischer Daten zu treffen. Welche Bewertungsmetrik sollte der Ingenieur verwenden, um die Vorhersageleistung des Modells zu beurteilen?

RMSE (Root Mean Square Error) ist die geeignete Metrik, da das Modell kontinuierliche numerische Vorhersagen trifft, was ein Regressionsproblem darstellt. RMSE misst den durchschnittlichen Betrag der Fehler, die das Modell bei der Vorhersage der numerischen Werte macht, und ist besonders nützlich, wenn größere Fehler stärker bestraft werden sollen. Accuracy ist für Klassifikationsprobleme gedacht, bei denen diskrete Klassen vorhergesagt werden. InferenceLatency misst die Zeit, die das Modell für eine Vorhersage benötigt, und ist eine Leistungsmetrik, keine Metrik zur Vorhersagequalität. AUC (Area Under the ROC Curve) wird ebenfalls für Klassifikationsprobleme verwendet, um die Fähigkeit des Modells zu bewerten, zwischen Klassen zu unterscheiden.