Musisz użyć Amazon SageMaker DeepAR do prognozowania wymaganych materiałów wejściowych i energii, ale większość rekordów szkoleniowych ma brakujące wartości docelowe, a dane są przechowywane w formacie JSON. Które podejście wymaga najmniejszego wysiłku rozwojowego w celu obsługi brakujących wartości docelowych do trenowania DeepAR?
Wybierz odpowiedź
Dotknij opcji, aby sprawdzić swoją odpowiedź.
Poprawna odpowiedź: Zakoduj brakujące wartości docelowe jako NaN (not a number) i trenuj DeepAR, używając pełnego zbioru danych z tymi wpisami NaN..
Dlaczego to jest odpowiedź
Amazon SageMaker DeepAR natywnie obsługuje brakujące wartości docelowe (target values) w danych treningowych, jeśli są one zakodowane jako NaN. DeepAR jest modelem probabilistycznym, który może uczyć się z niekompletnych szeregów czasowych, traktując NaN jako nieobserwowane punkty danych i odpowiednio dostosowując proces uczenia. To podejście minimalizuje wysiłek rozwojowy, ponieważ nie wymaga wstępnego przetwarzania danych w celu imputacji. Imputacja regresją liniową, forward-fill czy średnią z serii wymagałaby dodatkowego kodu i mogłaby wprowadzić błędy lub sztuczne wzorce do danych, co mogłoby negatywnie wpłynąć na dokładność prognoz DeepAR.
Zdaj egzamin — bez niekończącego się szukania odpowiedzi
Uzyskaj wszystkie zweryfikowane pytania i wyjaśnienia do tego egzaminu w jednym miejscu i zaoszczędź godziny przygotowań. Ponad 1000 certyfikacji · Ponad 20 języków · Zacznij za darmo.
Zdaj egzamin szybciej → Karta nie jest wymagana