El conjunto de datos de entrenamiento incluye características tanto categóricas como numéricas. Para maximizar la precisión del modelo con la menor sobrecarga operativa, ¿cómo debería el ingeniero de ML preparar estas características?

La opción correcta es usar Amazon SageMaker Data Wrangler para convertir las características categóricas a formato numérico. SageMaker Data Wrangler es una herramienta de preparación de datos que permite transformar características categóricas en numéricas (por ejemplo, mediante codificación one-hot o label encoding) de manera eficiente y con baja sobrecarga operativa, lo cual es crucial para maximizar la precisión del modelo. Convertir características categóricas a numéricas es un paso estándar en el preprocesamiento de datos para la mayoría de los algoritmos de ML. Las otras opciones son incorrectas porque: Usar AWS Glue para convertir características categóricas en numéricas es posible, pero SageMaker Data Wrangler está diseñado específicamente para la preparación de datos de ML y ofrece una interfaz más intuitiva y optimizada para estas tareas, reduciendo la sobrecarga operativa. Convertir características numéricas en bins categóricos (binning) no es el objetivo principal aquí y podría resultar en pérdida de información, lo que podría reducir la precisión del modelo. Usar SageMaker Data Wrangler para convertir características numéricas en categóricas no aborda el problema principal de preparar las características categóricas para el modelo.