Voordat een ML-engineer features selecteert voor een risicoanalysemode, wil deze inschatten hoeveel elke trainingsfeature bijdraagt aan het doel. Welke SageMaker Data Wrangler-aanpak is geschikt om schattingen van featurebijdrage of -belang te verkrijgen?

De quick model visualization van Data Wrangler is ontworpen om snel inzicht te geven in de relatie tussen features en het doel. Het genereert feature-importance scores, wat direct de bijdrage van elke feature aan het modeldoel schat, precies wat de ML-engineer nodig heeft voor risicoanalyse. Multicollineariteitsmetingen en PCA helpen bij het reduceren van dimensionaliteit en het begrijpen van feature-relaties, maar geven geen directe schatting van de bijdrage aan het doel. Het bias report identificeert vooroordelen in de data, niet de feature-bijdrage. Een data flow bouwt een pipeline, maar wijst niet handmatig scores toe; dat is inefficiënt en subjectief.