Un ingeniero de datos está utilizando Amazon SageMaker Data Wrangler para evaluar los datos de los clientes para un modelo de predicción de comportamiento. Para mejorar el rendimiento del modelo, necesita verificar la multicolinealidad. ¿Qué pasos requieren el menor esfuerzo operativo para detectar la multicolinealidad? (Elija dos)

La multicolinealidad ocurre cuando las variables predictoras en un modelo de regresión están altamente correlacionadas. SageMaker Data Wrangler ofrece herramientas para detectarla con bajo esfuerzo operativo. PCA y SVD son técnicas de reducción de dimensionalidad que pueden identificar la multicolinealidad al examinar los valores singulares. Valores singulares pequeños o cercanos a cero pueden indicar la presencia de multicolinealidad. LASSO (Least Absolute Shrinkage and Selection Operator) es un método de regresión que realiza selección de características y regularización. Al ejecutar LASSO y trazar los coeficientes, se puede observar cómo los coeficientes de las variables correlacionadas se encogen o se anulan, lo que es un indicador de multicolinealidad. Otras opciones son incorrectas porque: Reajustar y transformar con codificación one-hot no detecta multicolinealidad directamente, aunque puede ser un paso de preprocesamiento. Quick Model evalúa la importancia de las características, pero no la multicolinealidad. Min Max Scaler normaliza características, lo cual es útil para el escalado, pero no para la detección de multicolinealidad.