Amazon SageMaker Data Wrangler를 사용하는 데이터 과학자가 타겟을 가장 잘 예측하는 예측 변수를 선택하려고 합니다. 예측 변수는 타겟과 상관 관계가 있으며, 과학자는 특징 공간(feature space)에서 다양한 방향의 분산을 이해하고자 합니다. 다음 중 이러한 요구 사항을 충족하는 접근 방식은 무엇입니까?

정답은 특징을 변환하고 분산 방향을 검사하기 위해 Data Wrangler의 다중 공선성 도구와 PCA(principal component analysis)를 사용하는 것입니다. PCA는 데이터의 분산 방향을 이해하고, 가장 큰 분산을 설명하는 주성분을 식별하여 특징 공간을 변환하는 데 효과적인 차원 축소 기법입니다. 이는 타겟을 가장 잘 예측하는 예측 변수를 선택하고 특징 간의 상관 관계를 이해하는 데 도움이 됩니다. VIF(분산 팽창 계수)는 다중 공선성을 측정하지만, 분산의 방향을 직접적으로 이해하는 데는 한계가 있습니다. Data Quality and Insights 빠른 모델 시각화는 모델 품질을 추정하는 데 사용되지만, 특징 공간의 분산 방향을 직접적으로 분석하지는 않습니다. Data Quality and Insights 보고서는 예측력을 기준으로 특징의 순위를 매길 수 있지만, 특징 공간의 분산 방향에 대한 심층적인 통찰력을 제공하지는 않습니다.