Ein ML-Ingenieur stellt Trainingsdaten für ein binäres Klassifizierungsmodell zusammen (Labels: Klasse A, Klasse B). Er möchte überprüfen, ob die Klassen ausgewogen sind, und bei Bedarf den Datensatz ausgleichen, ohne vorhandene Datensätze zu entfernen. Welcher Ansatz erfüllt diese Anforderung?

Die korrekte Antwort ist, SageMaker Clarify zur Berechnung des Klassenungleichgewichts (CI) zu verwenden und bei CI 0 SMOTE in SageMaker Data Wrangler anzuwenden. SageMaker Clarify ist ein Tool zur Erkennung von Verzerrungen und zur Erklärung von Modellen, das das Klassenungleichgewicht quantifizieren kann. Wenn ein Ungleichgewicht (CI 0) festgestellt wird, ist SMOTE (Synthetic Minority Oversampling Technique) eine geeignete Methode, um die Minderheitsklasse zu überabtasten, indem synthetische Stichproben generiert werden, ohne vorhandene Daten zu entfernen. SageMaker Data Wrangler bietet Transformationen wie SMOTE, um Daten vorzubereiten. Die anderen Optionen sind falsch, weil: Zufälliges Unterabtasten (random undersampling) würde vorhandene Datensätze entfernen, was der Anforderung widerspricht. SageMaker JumpStart ist eine Sammlung von vortrainierten Modellen und Lösungen, nicht primär ein Tool zur Analyse des Klassenungleichgewichts oder zur Datentransformation.