Un ingénieur de données utilise Amazon SageMaker Data Wrangler pour évaluer les données clients en vue d'un modèle de prédiction de comportement. Pour améliorer les performances du modèle, il doit vérifier la multicolinéarité. Quelles étapes nécessitent le moins d'effort opérationnel pour détecter la multicolinéarité ? (Choisissez-en deux.)

Pour détecter la multicolinéarité avec le moins d'effort opérationnel, les visualisations de diagnostic de SageMaker Data Wrangler sont idéales. L'exécution de l'analyse en composantes principales (PCA) et de la décomposition en valeurs singulières (SVD) permet d'identifier les valeurs singulières proches de zéro, indiquant une multicolinéarité. De même, l'exécution de LASSO et le traçage des valeurs des coefficients révèlent comment les caractéristiques corrélées sont pénalisées ou éliminées, signalant la multicolinéarité. L'encodage one-hot est une transformation, pas une détection. La visualisation Quick Model évalue l'importance des caractéristiques, pas la multicolinéarité. Le Min Max Scaler normalise les données, ce qui n'est pas une méthode de détection de la multicolinéarité.