Necesita usar Amazon SageMaker DeepAR para pronosticar los materiales de entrada y la energía requeridos, pero la mayoría de los registros de entrenamiento tienen valores objetivo faltantes y los datos se almacenan como JSON. ¿Qué enfoque requiere el menor esfuerzo de desarrollo para manejar los valores objetivo faltantes para entrenar DeepAR?

Amazon SageMaker DeepAR está diseñado para manejar valores faltantes en las series temporales objetivo. Codificar los valores faltantes como NaN (Not a Number) es el enfoque más sencillo y de menor esfuerzo, ya que DeepAR los procesa internamente sin necesidad de imputación manual. Las opciones de imputación (regresión lineal, forward-fill o la media) requieren un preprocesamiento adicional y podrían introducir sesgos o suposiciones incorrectas sobre los datos, aumentando el esfuerzo de desarrollo y potencialmente disminuyendo la precisión del modelo si la imputación no es adecuada para el patrón de los datos faltantes.