ML 엔지니어가 이진 분류 모델(레이블: Class A, Class B)을 위한 훈련 데이터를 준비하고 있습니다. 엔지니어는 클래스의 균형이 맞는지 확인하고, 기존 레코드를 제거하지 않고 필요한 경우 데이터 세트의 균형을 맞추려고 합니다. 이 요구 사항을 충족하는 접근 방식은 무엇입니까?

정답은 SageMaker Clarify를 사용하여 클래스 불균형(CI)을 계산하고, CI가 0보다 크면 SageMaker Data Wrangler에서 SMOTE(synthetic minority oversampling technique) 변환을 적용하여 클래스 균형을 맞추는 것입니다. SageMaker Clarify는 데이터 세트의 편향을 분석하는 데 사용되며, 클래스 불균형은 편향의 한 유형입니다. CI가 0보다 크다는 것은 클래스 간에 불균형이 존재한다는 의미입니다. 문제에서 기존 레코드를 제거하지 않고 데이터 세트의 균형을 맞추는 것을 요구했으므로, 소수 클래스의 샘플을 합성하여 데이터 세트의 균형을 맞추는 SMOTE(오버샘플링 기법)가 적합합니다. SageMaker Data Wrangler는 데이터 준비 및 변환을 위한 도구이며, SMOTE 변환을 제공합니다. 오답 설명: 첫 번째 오답은 CI가 0일 때 무작위 언더샘플링을 적용한다고 하는데, CI가 0이면 이미 클래스가 균형 잡혀 있으므로 추가적인 조치가 필요하지 않습니다. 또한 언더샘플링은 기존 레코드를 제거하므로 문제의 요구 사항과 맞지 않습니다. 세 번째 오답은 SageMaker JumpStart를 사용하여 CI 보고서를 생성한다고 하는데, JumpStart는 사전 훈련된 모델 및 솔루션을 제공하는 서비스이지 데이터 편향 분석 도구가 아닙니다. 또한 언더샘플링은 기존 레코드를 제거합니다. 네 번째 오답은 SageMaker JumpStart를 사용하여 CI 보고서를 생성한다고 하는 점과, CI가 0일 때 SMOTE를 적용한다고 하는 점에서 틀렸습니다. CI가 0이면 균형이 잡혀 있으므로 SMOTE가 필요하지 않습니다.