Il set di dati di training include sia feature categoriche che numeriche. Per massimizzare l'accuratezza del modello con il minor overhead operativo, in che modo l'ingegnere ML dovrebbe preparare queste feature?

La risposta corretta è utilizzare Amazon SageMaker Data Wrangler per convertire le feature categoriche in formato numerico. SageMaker Data Wrangler è uno strumento di preparazione dei dati no-code/low-code che offre trasformazioni integrate per la codifica delle feature categoriche (ad esempio, One-Hot Encoding, Label Encoding), riducendo significativamente l'overhead operativo rispetto alla scrittura di codice personalizzato. Questo è cruciale perché molti algoritmi di machine learning richiedono input numerici. Le opzioni che suggeriscono l'uso di AWS Glue sono meno efficienti in questo contesto. Sebbene AWS Glue possa essere utilizzato per la trasformazione dei dati, Data Wrangler è specificamente progettato per la preparazione dei dati per il machine learning, offrendo un'interfaccia utente più intuitiva e trasformazioni predefinite che accelerano il processo. Convertire feature numeriche in categoriche non è generalmente una pratica standard per massimizzare l'accuratezza, a meno che non ci siano ragioni specifiche legate al modello o al dominio, e comunque Data Wrangler sarebbe lo strumento preferito per tale operazione.