Przed wybraniem cech dla modelu analizy ryzyka, inżynier ML chce oszacować, w jakim stopniu każda cecha treningowa przyczynia się do wartości docelowej. Które podejście SageMaker Data Wrangler jest odpowiednie do uzyskania oszacowań wkładu lub ważności cech?

Wizualizacja szybkiego modelu Data Wrangler jest odpowiednia, ponieważ automatycznie trenuje uproszczony model na danych i generuje wyniki ważności cech, co pozwala oszacować wkład każdej cechy w wartość docelową. Pomiary współliniowości Data Wrangler pomagają zidentyfikować skorelowane cechy, ale nie mierzą ich wkładu w zmienną docelową. Raport odchylenia Data Wrangler służy do wykrywania odchyleń w danych, a nie do oceny ważności cech. Ręczne przypisywanie wyników cech w przepływie danych Data Wrangler nie jest efektywnym ani obiektywnym sposobem oszacowania ich wkładu.