Een ML-engineer stelt trainingsdata samen voor een binair classificatiemodel (labels: Klasse A, Klasse B). Ze willen controleren of de klassen in balans zijn en, zonder bestaande records te verwijderen, de dataset in balans brengen indien nodig. Welke aanpak voldoet aan deze vereiste?
Kies een antwoord
Tik op een optie om je antwoord te controleren.
Correct antwoord: Voer SageMaker Clarify uit om de klasse-imbalans (CI) te berekenen. Als CI groter is dan 0, pas dan de SMOTE (synthetic minority oversampling technique) transformatie toe in SageMaker Data Wrangler om de klassen in balans te brengen..
Waarom dit het antwoord is
De correcte aanpak is om eerst SageMaker Clarify te gebruiken om klasse-imbalans (CI) te detecteren. Een CI groter dan 0 duidt op onbalans. Om de dataset in balans te brengen zonder bestaande records te verwijderen, is oversampling van de minderheidsklasse nodig. SMOTE (Synthetic Minority Oversampling Technique) is hiervoor een geschikte methode, omdat het synthetische voorbeelden van de minderheidsklasse genereert, wat helpt om de modelprestaties te verbeteren zonder informatie te verliezen. SageMaker Data Wrangler biedt de functionaliteit om SMOTE-transformaties toe te passen. Random undersampling (optie 1 en 3) zou bestaande records verwijderen, wat in strijd is met de vereiste. SageMaker JumpStart (optie 3 en 4) is een hub voor vooraf getrainde modellen en oplossingen, niet primair voor het genereren van CI-rapporten of het uitvoeren van data-transformaties zoals SMOTE.
Slaag voor je examen — zonder eindeloos zoeken naar antwoorden
Krijg elke geverifieerde vraag en uitleg voor dit examen op één plek, en bespaar uren voorbereiding. Meer dan 1.000 certificeringen · Meer dan 20 talen · gratis om te beginnen.
Slaag sneller voor je examen → Geen kaart nodig