È necessario utilizzare Amazon SageMaker DeepAR per prevedere i materiali di input e l'energia richiesti, ma la maggior parte dei record di training presenta valori target mancanti e i dati sono archiviati come JSON. Quale approccio richiede il minor sforzo di sviluppo per gestire i valori target mancanti per il training di DeepAR?

L'opzione corretta è codificare i valori target mancanti come NaN (not a number) perché SageMaker DeepAR è progettato per gestire intrinsecamente i valori mancanti in questo formato. DeepAR utilizza un modello di rete neurale ricorrente (RNN) che può imparare a ignorare o imputare i valori mancanti durante il processo di training, riducendo lo sforzo di pre-elaborazione. Le altre opzioni (imputazione con regressione lineare, forward-fill o media) richiedono un'elaborazione aggiuntiva per stimare i valori mancanti prima del training, aumentando lo sforzo di sviluppo e potenzialmente introducendo bias se l'imputazione non è accurata. L'approccio NaN sfrutta la capacità nativa di DeepAR di gestire i dati incompleti in modo efficiente.