ある金融チームは、5,000社の企業についてそれぞれ2,000個の特徴を持つ株式リターンデータを保有しています。彼らは、将来のリターンを予測するのに最も有用な上位15個の特徴を、運用上のオーバーヘッドを最小限に抑えつつ特定したいと考えています。このニーズを満たすアプローチはどれですか？

SageMaker Autopilotは、データセットに基づいて最適なモデルを自動的に探索・構築し、回帰タスクにも対応します。Autopilotのジョブが完了すると、SageMaker Clarifyのレポートが生成され、SHAP値などの手法を用いて特徴量重要度を詳細に分析できます。これにより、運用上のオーバーヘッドを最小限に抑えつつ、最も有用な特徴を特定できます。線形学習器は線形関係しか捉えられず、ランダムフォレストは特徴量が多い場合に計算コストが高くなる可能性があります。Data Wranglerのクイックモデル可視化は、探索的データ分析には役立ちますが、大規模な特徴量選択にはAutopilotとClarifyの組み合わせがより適しています。