Antes del entrenamiento, el desequilibrio de clases del conjunto de datos debe resolverse con un esfuerzo operativo mínimo. ¿Qué opción logra esto de la mejor manera?

La opción correcta es usar la operación de balanceo de datos de Amazon SageMaker Data Wrangler para sobremuestrear la clase minoritaria. SageMaker Data Wrangler es una herramienta de preparación de datos que incluye transformaciones integradas, como el balanceo de datos (mediante sobremuestreo o submuestreo), para abordar el desequilibrio de clases de manera eficiente y con un esfuerzo operativo mínimo. Las otras opciones son menos óptimas: Usar Amazon Athena para descubrir patrones y ajustar manualmente el conjunto de datos es un proceso manual y propenso a errores, que no cumple con el requisito de "esfuerzo operativo mínimo". Los algoritmos integrados de SageMaker Studio Classic pueden manejar conjuntos de datos desequilibrados hasta cierto punto, pero no resuelven activamente el desequilibrio de clases en la fase de preprocesamiento de datos de forma explícita y directa como Data Wrangler. AWS Glue DataBrew también es una herramienta de preparación de datos, pero SageMaker Data Wrangler está más directamente integrado con el flujo de trabajo de SageMaker para el entrenamiento de modelos, ofreciendo una solución más cohesiva y optimizada para este caso de uso específico.