Tiene un conjunto de datos tabular con 10,000 filas y 1,020 características. No hay valores faltantes, pocas duplicidades y aproximadamente 200 pares de características con una correlación > 0.9. Las medias de las características son similares a las medianas. ¿Qué enfoque de ingeniería de características debería aplicar al entrenar un modelo en SageMaker?

La reducción de dimensionalidad con PCA es la opción más adecuada porque el conjunto de datos tiene un gran número de características (1020) y una alta correlación entre 200 pares de características. PCA puede transformar estas características correlacionadas en un conjunto más pequeño de componentes principales no correlacionados, preservando la mayor parte de la varianza de los datos y reduciendo la complejidad computacional. Eliminar características con correlación baja no aborda el problema de la alta correlación entre otras características. La detección de anomalías no es un método de ingeniería de características para este escenario. Concatenar características altamente correlacionadas no reduce la dimensionalidad y podría introducir redundancia.