Un team finanziario dispone di dati sui rendimenti azionari per 5.000 aziende, con 2.000 caratteristiche ciascuna. Vogliono identificare le 15 caratteristiche più utili per prevedere i rendimenti futuri con un sovraccarico operativo minimo. Quale approccio soddisfa questa esigenza?

La risposta corretta è "Utilizzare Amazon SageMaker Autopilot per costruire un modello di regressione e ottenere l'importanza delle caratteristiche da un report di SageMaker Clarify". SageMaker Autopilot automatizza la selezione del modello e l'ingegneria delle caratteristiche, fornendo un modello ottimale con un sovraccarico operativo minimo. I report di SageMaker Clarify generati da Autopilot includono metriche sull'importanza delle caratteristiche, che possono essere utilizzate per identificare le 15 caratteristiche più utili. Le altre opzioni sono meno efficienti o incomplete. L'addestramento di un modello di regressione lineare con SageMaker Linear Learner e la classificazione delle caratteristiche in base ai coefficienti è un metodo valido, ma potrebbe non catturare relazioni non lineari e richiede più configurazione manuale. L'addestramento di un modello Random Forest e l'uso dell'importanza di Gini è un buon approccio, ma Autopilot automatizza l'intero processo, riducendo il sovraccarico. La visualizzazione rapida del modello di SageMaker Data Wrangler è utile per l'esplorazione, ma non è progettata per la selezione automatica del modello o per fornire un report completo sull'importanza delle caratteristiche come Clarify.