Vous devez utiliser Amazon SageMaker DeepAR pour prévoir les matériaux d'entrée et l'énergie nécessaires, mais la plupart des enregistrements d'entraînement ont des valeurs cibles manquantes et les données sont stockées au format JSON. Quelle approche nécessite le moins d'effort de développement pour gérer les valeurs cibles manquantes pour l'entraînement de DeepAR ?

Amazon SageMaker DeepAR est conçu pour gérer nativement les valeurs cibles manquantes (NaN) dans les données d'entraînement. En encodant les valeurs manquantes comme NaN, vous permettez à l'algorithme DeepAR d'utiliser ses mécanismes internes pour inférer ces valeurs pendant l'entraînement, ce qui réduit l'effort de développement car aucune imputation manuelle n'est nécessaire. Les autres options (régression linéaire, forward-fill, ou moyenne) nécessitent un prétraitement supplémentaire pour imputer les valeurs, ce qui peut introduire des biais ou des erreurs si l'imputation n'est pas appropriée pour la nature des données ou le modèle DeepAR. L'approche NaN est la plus simple et la plus efficace pour DeepAR.