Un ingegnere dei dati sta utilizzando Amazon SageMaker Data Wrangler per valutare i dati dei clienti per un modello di previsione del comportamento. Per migliorare le prestazioni del modello, deve verificare la multicollinearità. Quali passaggi richiedono il minor sforzo operativo per rilevare la multicollinearità? (Scegliere due.)

Le opzioni corrette sono l'utilizzo di PCA/SVD e LASSO tramite le visualizzazioni diagnostiche di SageMaker Data Wrangler. La PCA e la SVD sono tecniche efficaci per identificare la multicollinearità analizzando gli autovalori o i valori singolari, che indicano la ridondanza tra le variabili. LASSO, un metodo di regressione con regolarizzazione L1, riduce i coefficienti delle variabili correlate a zero, fornendo un'indicazione diretta della multicollinearità. Entrambi i metodi sono integrati in Data Wrangler, minimizzando lo sforzo operativo. Riadattare il dataset con la codifica one-hot è una tecnica di pre-elaborazione, non un metodo per rilevare la multicollinearità. La visualizzazione Quick Model valuta l'importanza delle feature, ma non la multicollinearità. La normalizzazione con Min Max Scaler è una tecnica di scaling delle feature, non di rilevamento della multicollinearità.