Un ingegnere ML sta preparando i dati di training per un modello di classificazione binaria (etichette: Classe A, Classe B). Vuole verificare se le classi sono bilanciate e, senza rimuovere i record esistenti, bilanciare il dataset se necessario. Quale approccio soddisfa questo requisito?

L'opzione corretta identifica l'approccio più appropriato per bilanciare un dataset sbilanciato senza rimuovere record esistenti. SageMaker Clarify è lo strumento designato per analizzare lo squilibrio di classe (CI). Se il CI è maggiore di 0, indica uno squilibrio. SMOTE (Synthetic Minority Over-sampling Technique) è una tecnica di sovracampionamento che crea nuove istanze sintetiche della classe minoritaria, aumentando il numero di esempi senza eliminare dati esistenti, il che è fondamentale per il requisito. SageMaker Data Wrangler è l'ambiente ideale per applicare tali trasformazioni di pre-elaborazione. Le altre opzioni sono errate perché: il sottocampionamento rimuove record, contraddicendo il requisito; SageMaker JumpStart non è lo strumento principale per la creazione di report CI; e applicare SMOTE quando CI è 0 (già bilanciato) è inutile.