Przed rozpoczęciem trenowania należy rozwiązać problem braku równowagi klas w zbiorze danych przy minimalnym wysiłku operacyjnym. Która opcja najlepiej to osiągnie?

Amazon SageMaker Data Wrangler oferuje wbudowane operacje transformacji danych, w tym operacje równoważenia danych, które pozwalają na nadpróbkowanie (oversampling) klasy mniejszościowej lub niedopróbkowanie (undersampling) klasy większościowej. Jest to efektywne rozwiązanie, które wymaga minimalnego wysiłku operacyjnego, ponieważ Data Wrangler jest narzędziem wizualnym i zintegrowanym z SageMaker. Użycie Amazon Athena do ręcznej regulacji jest czasochłonne i wymaga większego wysiłku. Wbudowane algorytmy SageMaker Studio Classic nie rozwiązują problemu braku równowagi klas bezpośrednio na etapie przygotowania danych, a AWS Glue DataBrew, choć przydatne do przygotowania danych, nie ma tak wyspecjalizowanych i łatwo dostępnych funkcji do równoważenia klas jak Data Wrangler.