Je moet Amazon SageMaker DeepAR gebruiken om de benodigde inputmaterialen en energie te voorspellen, maar de meeste trainingsrecords hebben ontbrekende doelwaarden en de gegevens zijn opgeslagen als JSON. Welke aanpak vereist de minste ontwikkelingsinspanning om de ontbrekende doelwaarden te verwerken voor het trainen van DeepAR?
Kies een antwoord
Tik op een optie om je antwoord te controleren.
Correct antwoord: Codeer de ontbrekende doelwaarden als NaN (not a number) en train DeepAR met de volledige dataset inclusief die NaN-vermeldingen..
Waarom dit het antwoord is
De correcte aanpak is om ontbrekende doelwaarden als NaN te coderen en DeepAR te trainen met de volledige dataset. Amazon SageMaker DeepAR is ontworpen om ontbrekende waarden in de doelreeks te verwerken door deze intern te imputeren tijdens het trainingsproces, wat de ontwikkelingsinspanning minimaliseert. Lineaire regressie-imputatie, forward-fill en het vervangen door het gemiddelde vereisen allemaal extra voorverwerking van de gegevens, wat meer ontwikkelingsinspanning kost en mogelijk niet optimaal is voor DeepAR's interne imputatiemechanismen.
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