Uno sviluppatore ha dati storici sulla domanda oraria in Amazon S3, ma mancano alcune ore. Lo sviluppatore vuole verificare se un modello ARIMA è adatto. Qual è il modo migliore per verificare l'idoneità di ARIMA?

Per valutare l'idoneità di un modello ARIMA per dati orari con valori mancanti, è fondamentale prima pre-elaborare i dati in modo appropriato. I modelli ARIMA sono sensibili alla regolarità e alla completezza della serie temporale. L'opzione corretta suggerisce di utilizzare Amazon SageMaker Data Wrangler per caricare i dati, ricampionarli calcolando i totali aggregati giornalieri e poi eseguire una decomposizione stagionale-trend. Il ricampionamento a una granularità giornaliera può mitigare il problema dei valori orari mancanti, creando una serie temporale più robusta per l'analisi. La decomposizione stagionale-trend è essenziale per identificare i componenti di stagionalità, trend e residui, che sono fondamentali per determinare se un modello ARIMA (che gestisce trend e stagionalità) è appropriato. Le opzioni che propongono l'imputazione dei valori orari mancanti potrebbero introdurre bias o rumore se l'imputazione non è accurata, specialmente per dati orari complessi. L'uso di SageMaker Autopilot per "scegliere ARIMA come tipo di problema" non è un'opzione standard di Autopilot, che si concentra sull'automazione della selezione e ottimizzazione del modello, non sulla scelta diretta di un algoritmo specifico per la valutazione iniziale dell'idoneità.