Je hebt een tabulaire dataset met 150 gecorreleerde features die verschillende numerieke bereiken hebben en je moet de dimensionaliteit verminderen met minimale impact op de modelprestaties voordat je een regressiemodel traint. Welke voorverwerkingsaanpak voldoet aan dit doel?

De correcte aanpak is om de data te schalen voordat PCA wordt toegepast. PCA is gevoelig voor de schaal van de features; features met grotere bereiken kunnen de resultaten domineren. Een Min-Max scaler transformeert de features naar een specifiek bereik (meestal 0-1), wat ervoor zorgt dat elke feature evenredig bijdraagt aan de variantieanalyse van PCA. SageMaker Data Wrangler biedt een gebruiksvriendelijke interface voor deze stappen. Het direct toepassen van PCA op ongeschaalde data (optie 1) is incorrect omdat de verschillende numerieke bereiken van de features de PCA-resultaten zouden vertekenen. Het verwijderen van de meest of minst gecorreleerde features (opties 3 en 4) is geen optimale strategie voor dimensionaliteitsreductie met minimale impact op modelprestaties, omdat PCA de onderliggende lineaire combinaties van features identificeert die de meeste variantie verklaren, wat vaak effectiever is dan het simpelweg verwijderen van features.