Ein ML-Spezialist bereitet Daten mit einem PySpark-Job vor, der komplexe Fensteraggregationen beinhaltet. Er möchte testen, wie sich unterschiedliche Feature-Anzahlen und Stichprobengrößen auf die Modellleistung auswirken. Welcher Ansatz ermöglicht es ihm, Transformationsparameter und Ergebnisse aufzuzeichnen, um Datenvorbereitungsvarianten zu bewerten und zu vergleichen?

Die korrekte Antwort ist, einen Amazon SageMaker Experiments-Tracker im Skript zu verwenden und das Skript als SageMaker Processing-Job auszuführen. SageMaker Experiments ist dafür konzipiert, Metadaten von ML-Experimenten, einschließlich Transformationen, Parametern und Ergebnissen, zu verfolgen und zu vergleichen. Ein SageMaker Processing-Job ist ideal für die Ausführung von PySpark-Skripten zur Datenvorbereitung, da er eine verwaltete Umgebung für große Datenverarbeitungsaufgaben bietet. Die anderen Optionen sind weniger geeignet: SageMaker Debugger ist primär für das Debugging von Modelltrainingsproblemen gedacht, nicht für die Verfolgung von Datenvorbereitungsparametern oder -ergebnissen. Die Ausführung als AWS Glue-Job würde zwar die PySpark-Verarbeitung ermöglichen, bietet aber nicht die integrierten Tracking-Funktionen von SageMaker Experiments, die für den Vergleich von Datenvorbereitungsvarianten entscheidend sind.