Prima di selezionare le feature per un modello di analisi del rischio, un ingegnere ML vuole stimare quanto ogni feature di training contribuisce al target. Quale approccio di SageMaker Data Wrangler è appropriato per ottenere stime del contributo o dell'importanza delle feature?

L'opzione corretta è utilizzare la visualizzazione rapida del modello di Data Wrangler per generare punteggi di importanza delle feature. Questa funzionalità è progettata specificamente per aiutare a comprendere il contributo di ciascuna feature al target, fornendo metriche di importanza basate su un modello leggero addestrato sui dati. Le misurazioni di multicollinearità e la PCA sono utili per la riduzione della dimensionalità e per comprendere le relazioni tra le feature, ma non forniscono direttamente un'importanza delle feature rispetto al target. Il report di bias di Data Wrangler identifica i bias nei dati, non l'importanza delle feature. Costruire una pipeline di preparazione dei dati e assegnare manualmente i punteggi delle feature non è un approccio efficiente o basato su dati per stimare l'importanza.