Een ontwikkelaar heeft historische vraaggegevens per uur in Amazon S3, maar sommige uren ontbreken. De ontwikkelaar wil controleren of een ARIMA-model geschikt is. Wat is de beste manier om de geschiktheid van ARIMA te verifiëren?

De correcte optie is om Amazon SageMaker Data Wrangler te gebruiken om de gegevens te laden, dagelijkse totalen te berekenen en een seizoens-trenddecompositie uit te voeren. ARIMA-modellen zijn gevoelig voor ontbrekende waarden en vereisen vaak stationaire tijdreeksen. Door de gegevens te resamplen naar dagelijkse totalen, worden de ontbrekende uurwaarden effectief behandeld en wordt de granulariteit verminderd, wat de stationariteit kan verbeteren. Een seizoens-trenddecompositie helpt bij het identificeren van seizoensgebondenheid en trends, wat essentieel is voor het bepalen van de geschiktheid van een ARIMA-model. De andere opties zijn minder geschikt: Het imputeren van ontbrekende uurwaarden kan leiden tot onnauwkeurige resultaten, vooral als er veel ontbrekende gegevens zijn. SageMaker Autopilot ondersteunt geen ARIMA als een direct probleemtype; het is meer gericht op geautomatiseerde ML voor tabulaire gegevens. Het combineren van imputatie met Autopilot voor ARIMA is niet de meest directe of effectieve benadering voor het beoordelen van de geschiktheid van ARIMA.