Prima dell'addestramento, lo squilibrio di classe del dataset deve essere risolto con il minimo sforzo operativo. Quale opzione risolve meglio questo problema?

L'opzione corretta è utilizzare l'operazione di bilanciamento dei dati di Amazon SageMaker Data Wrangler per l'oversampling della classe minoritaria. SageMaker Data Wrangler è uno strumento di preparazione dei dati che offre trasformazioni integrate per affrontare lo squilibrio di classe, inclusa l'oversampling, con uno sforzo operativo minimo. Questo è un approccio efficiente e scalabile. Le altre opzioni sono meno ideali: Utilizzare Amazon Athena per scoprire i pattern che causano lo squilibrio e quindi regolare manualmente il dataset è un processo che richiede tempo e risorse, non "minimo sforzo operativo". Utilizzare gli algoritmi integrati di SageMaker Studio Classic per gestire il dataset sbilanciato non è una soluzione diretta per la preparazione dei dati. Gli algoritmi possono avere capacità integrate per gestire lo squilibrio, ma non risolvono il problema a livello di dataset prima dell'addestramento come richiesto. Utilizzare le funzionalità integrate di AWS Glue DataBrew per l'oversampling della classe minoritaria è una soluzione valida per la preparazione dei dati, ma Data Wrangler è specificamente progettato per flussi di lavoro di machine learning e offre un'integrazione più stretta con SageMaker, rendendolo spesso la scelta preferita per questo contesto.