Un développeur dispose de données historiques de demande horaires dans Amazon S3, mais certaines heures sont manquantes. Le développeur souhaite vérifier si un modèle ARIMA est approprié. Quelle est la meilleure façon de vérifier l'adéquation d'ARIMA ?

La bonne approche consiste à utiliser Amazon SageMaker Data Wrangler pour charger les données, puis à rééchantillonner les données horaires manquantes en totaux agrégés quotidiens. Cela permet de gérer les données manquantes et de créer une série temporelle régulière, essentielle pour l'analyse ARIMA. Ensuite, une décomposition saisonnière-tendancielle permet de comprendre les composantes fondamentales de la série temporelle (tendance, saisonnalité, résidu), ce qui est crucial pour déterminer si un modèle ARIMA (qui gère la saisonnalité et la tendance) est approprié. Les autres options sont incorrectes car l'imputation directe des valeurs horaires manquantes peut introduire des biais, et SageMaker Autopilot n'est pas conçu pour sélectionner ARIMA comme "type de problème" ni pour effectuer une décomposition saisonnière-tendancielle pour l'évaluation d'adéquation.