Sie müssen Amazon SageMaker DeepAR verwenden, um den Bedarf an Inputmaterialien und Energie zu prognostizieren, aber die meisten Trainingsdatensätze haben fehlende Zielwerte, und die Daten sind als JSON gespeichert. Welcher Ansatz erfordert den geringsten Entwicklungsaufwand, um die fehlenden Zielwerte für das Training von DeepAR zu handhaben?

Amazon SageMaker DeepAR ist speziell dafür konzipiert, fehlende Zielwerte (NaN) in den Trainingsdaten zu verarbeiten. Wenn Sie die fehlenden Werte als NaN kodieren, kann DeepAR diese Lücken während des Trainings intern berücksichtigen und Modelle erstellen, die robust gegenüber unvollständigen Zeitreihen sind. Dies erfordert den geringsten Entwicklungsaufwand, da keine manuelle Imputation oder Vorverarbeitung der fehlenden Daten erforderlich ist. Lineare Regression, Forward-Fill oder das Ersetzen durch den Mittelwert sind Imputationsmethoden, die zwar in anderen Kontexten nützlich sein können, aber zusätzliche Entwicklungsschritte erfordern und möglicherweise die inhärente Fähigkeit von DeepAR zur Behandlung von NaN-Werten nicht optimal nutzen.