Avant de sélectionner les caractéristiques pour un modèle d'analyse des risques, un ingénieur ML souhaite estimer la contribution de chaque caractéristique d'entraînement à la cible. Quelle approche de SageMaker Data Wrangler est appropriée pour obtenir des estimations de la contribution ou de l'importance des caractéristiques ?

La visualisation rapide du modèle de Data Wrangler est la bonne approche car elle est spécifiquement conçue pour entraîner rapidement un modèle léger et générer des scores d'importance des caractéristiques, ce qui permet d'estimer la contribution de chaque caractéristique à la cible. Les mesures de multicolinéarité et la PCA sont utiles pour comprendre les relations entre les caractéristiques et réduire la dimensionnalité, mais elles ne fournissent pas directement des estimations de l'importance des caractéristiques par rapport à la cible. Le rapport de biais de Data Wrangler est utilisé pour détecter les biais dans les données, pas pour l'importance des caractéristiques. Construire un pipeline de préparation des données est une étape nécessaire, mais attribuer manuellement des scores aux caractéristiques n'est pas une méthode objective ou efficace pour estimer leur importance.