재무팀은 5,000개 회사의 주식 수익률 데이터를 보유하고 있으며, 각 회사당 2,000개의 특징(feature)을 가지고 있습니다. 이들은 운영 오버헤드를 최소화하면서 미래 수익률 예측에 가장 유용한 상위 15개 특징을 식별하고자 합니다. 다음 중 어떤 접근 방식이 이러한 요구 사항을 충족할까요?

정답은 Amazon SageMaker Autopilot을 사용하여 회귀 모델을 구축하고, SageMaker Clarify 보고서에서 특징 중요도를 얻는 것입니다. SageMaker Autopilot은 데이터 전처리, 알고리즘 선택, 모델 튜닝을 자동화하여 운영 오버헤드를 최소화하면서 최적의 모델을 찾습니다. Autopilot이 생성한 최적의 모델에 대해 SageMaker Clarify 보고서를 실행하면 모델의 특징 중요도(Feature Importance)를 제공하여 예측에 가장 큰 영향을 미치는 상위 15개 특징을 식별할 수 있습니다. 선형 학습기나 랜덤 포레스트는 특징 중요도를 제공할 수 있지만, 2,000개의 특징과 5,000개의 회사 데이터셋에 대해 최적의 모델을 수동으로 훈련하고 튜닝하는 것은 운영 오버헤드가 큽니다. SageMaker Data Wrangler의 빠른 모델 시각화는 탐색적 데이터 분석에 유용하지만, 대규모 데이터셋에 대한 최적의 모델 구축 및 심층적인 특징 중요도 분석에는 Autopilot과 Clarify 조합이 더 적합합니다.