Masz tabelaryczny zbiór danych składający się z 10 000 wierszy i 1020 cech. Nie ma brakujących wartości, niewiele duplikatów i około 200 par cech o korelacji > 0,9. Średnie cech są podobne do median. Jakie podejście do inżynierii cech należy zastosować podczas trenowania modelu w SageMaker?

Analiza głównych składowych (PCA) jest odpowiednia, ponieważ masz duży zbiór danych (10 000 wierszy, 1020 cech) z wieloma silnie skorelowanymi cechami (200 par z korelacją 0,9). PCA skutecznie redukuje wymiarowość, przekształcając skorelowane zmienne w zbiór nieskorelowanych zmiennych (głównych składowych), zachowując jednocześnie większość wariancji danych. To upraszcza model, zmniejsza ryzyko przeuczenia i poprawia wydajność obliczeniową. Usuwanie cech o niskich wynikach korelacji jest nieefektywne, ponieważ problemem są cechy silnie skorelowane, a nie słabo skorelowane. Wykrywanie anomalii za pomocą Random Cut Forest nie jest metodą inżynierii cech, lecz techniką identyfikacji nietypowych punktów danych. Łączenie silnie skorelowanych cech może być złożone i nie zawsze optymalne w porównaniu do systematycznego podejścia PCA.