Inżynier ML buduje model w SageMaker Canvas do ciągłych numerycznych przewidywań, wykorzystując 10 lat danych historycznych. Której metryki oceny powinien użyć inżynier do oceny wydajności predykcyjnej modelu?

RMSE jest odpowiednią metryką dla ciągłych przewidywań numerycznych, ponieważ mierzy średnią wielkość błędów modelu. Niższa wartość RMSE wskazuje na lepsze dopasowanie modelu do danych. Accuracy (dokładność) jest używana do klasyfikacji, a nie do regresji. InferenceLatency (opóźnienie wnioskowania) mierzy czas potrzebny modelowi na dokonanie przewidywania, a nie jego dokładność. AUC jest metryką dla problemów klasyfikacji binarnej, oceniającą zdolność modelu do rozróżniania między klasami.