Vor dem Training muss das Klassenungleichgewicht des Datensatzes mit minimalem Betriebsaufwand behoben werden. Welche Option erreicht dies am besten?

Die Amazon SageMaker Data Wrangler-Operation zum Ausgleichen von Daten (Data Balancing) ist die effektivste Methode, um Klassenungleichgewichte mit minimalem Betriebsaufwand zu beheben. Data Wrangler bietet eine intuitive Benutzeroberfläche und integrierte Transformationen, einschließlich Oversampling der Minderheitsklasse, um das Ungleichgewicht automatisch zu korrigieren. Dies reduziert den manuellen Aufwand erheblich. Die Verwendung von Amazon Athena zur Mustererkennung und manuellen Anpassung ist zeitaufwändig und fehleranfällig. SageMaker Studio Classic-Algorithmen verarbeiten unausgewogene Datensätze, beheben das Ungleichgewicht jedoch nicht direkt. AWS Glue DataBrew kann zwar Daten transformieren, aber die spezifische "Data Balancing"-Operation von SageMaker Data Wrangler ist für diesen Anwendungsfall optimiert und bietet eine direktere Lösung.