Uniwersytet chce przewidzieć, czy kandydat się zapisze, aby móc ukierunkować działania rekrutacyjne. Specjalista ds. danych posiada historie akademickie i chce zbudować profile kandydatów do przewidywania. Jakie dwa kroki powinien podjąć specjalista ds. danych, aby zbudować model przewidujący prawdopodobieństwo zapisania się? (Wybierz dwie opcje.)

Aby przewidzieć, czy kandydat się zapisze, specjalista ds. danych musi najpierw przygotować dane. Amazon SageMaker Ground Truth jest odpowiednim narzędziem do etykietowania historycznych danych kandydatów jako „zapisany” lub „niezapisany”, co tworzy nadzorowany zbiór danych treningowych. Ponieważ celem jest przewidywanie jednej z dwóch dyskretnych kategorii (zapisany/niezapisany), jest to problem klasyfikacji binarnej. Dlatego należy zastosować algorytm klasyfikacji, który nauczy się rozróżniać te dwie klasy na podstawie cech kandydatów. Algorytmy regresji są używane do przewidywania wartości ciągłych, a algorytmy prognozowania do szeregów czasowych. Algorytm k-means jest algorytmem klastrowania nienadzorowanego i nie jest odpowiedni do przewidywania konkretnych, zdefiniowanych klas.