Lors de l'analyse exploratoire des données, plusieurs caractéristiques catégorielles contiennent des valeurs manquantes. Comment l'ingénieur ML peut-il utiliser SageMaker pour gérer ces valeurs catégorielles manquantes ?

SageMaker Data Wrangler est l'outil approprié pour les tâches de préparation de données, y compris l'imputation des valeurs manquantes. Pour les caractéristiques catégorielles, la stratégie d'imputation la plus courante et la plus pertinente est d'utiliser la valeur modale (la valeur la plus fréquente), car elle maintient la nature discrète de la caractéristique et est moins susceptible d'introduire des valeurs non existantes dans la catégorie. SageMaker Clarify est principalement utilisé pour la détection des biais et l'explicabilité des modèles, et non pour l'imputation des données. L'imputation par la valeur moyenne n'est pas adaptée aux caractéristiques catégorielles car la moyenne n'a pas de sens pour des données non numériques.