Een data scientist wil met Amazon SageMaker Data Wrangler voorspellende variabelen kiezen die een doel het beste voorspellen. De voorspellers zijn gecorreleerd met het doel en de wetenschapper wil de variantie in verschillende richtingen in de feature space begrijpen. Welke aanpak voldoet aan deze behoeften?

De data scientist wil voorspellende variabelen kiezen die een doel het beste voorspellen, waarbij de voorspellers gecorreleerd zijn met het doel en de variantie in verschillende richtingen in de feature space moet worden begrepen. Principal Component Analysis (PCA) is een techniek die wordt gebruikt om de dimensionaliteit te verminderen door de gegevens te transformeren naar een nieuwe set van ongecorreleerde variabelen, genaamd hoofdcomponenten. Deze hoofdcomponenten vangen de meeste variantie in de gegevens en vertegenwoordigen de richtingen van maximale variantie. Door PCA te gebruiken, kan de data scientist de onderliggende structuur van de gegevens begrijpen en de belangrijkste kenmerken identificeren die bijdragen aan de variantie en correlatie met het doel. De andere opties zijn minder geschikt: Multicollineariteitsmetingen met VIF kwantificeren hoe nauw variabelen met elkaar samenhangen, maar bieden geen inzicht in de variantie in verschillende richtingen in de feature space. De Data Quality and Insights snelle modelvisualisatie schat de modelkwaliteit, maar helpt niet direct bij het kiezen van voorspellende variabelen of het begrijpen van variantierichtingen. Het Data Quality and Insights rapport rangschikt features op basis van voorspellende kracht, maar biedt geen transformatie van features of analyse van variantierichtingen.