학습 전에 데이터셋의 클래스 불균형을 최소한의 운영 노력으로 해결해야 합니다. 다음 중 이 작업을 가장 잘 수행하는 옵션은 무엇입니까?

Amazon SageMaker Data Wrangler의 '데이터 균형 조정' 변환은 소수 클래스를 오버샘플링하여 클래스 불균형을 해결하는 효율적인 방법입니다. 이는 최소한의 운영 노력으로 데이터셋의 균형을 맞추는 데 최적화되어 있습니다. Amazon Athena는 데이터 탐색에 유용하지만, 수동 조정은 운영 노력이 많이 들고 오류가 발생하기 쉽습니다. SageMaker Studio Classic 내장 알고리즘은 불균형 데이터셋을 처리할 수 있지만, 이는 모델 학습 단계에서 이루어지며 데이터 전처리 단계에서 불균형을 직접 해결하는 것은 아닙니다. AWS Glue DataBrew는 데이터 준비 도구이지만, Data Wrangler의 '데이터 균형 조정' 기능은 불균형 데이터셋 처리에 특화된 더 직접적인 솔루션을 제공합니다.