Zespół finansowy dysponuje danymi dotyczącymi zwrotów z akcji dla 5000 firm, z których każda ma 2000 cech. Chcą zidentyfikować 15 najważniejszych cech najbardziej użytecznych do przewidywania przyszłych zwrotów przy minimalnym nakładzie operacyjnym. Które podejście spełnia to wymaganie?

Prawidłowa odpowiedź to użycie Amazon SageMaker Autopilot do zbudowania modelu regresji i uzyskanie ważności cech z raportu SageMaker Clarify. Autopilot automatyzuje wybór algorytmu i strojenie hiperparametrów, co minimalizuje nakład operacyjny. SageMaker Clarify generuje raporty z ważnością cech, co pozwala zidentyfikować 15 najważniejszych cech. Trenowanie modelu regresji liniowej i uszeregowanie cech według bezwzględnych wartości współczynników jest prostsze, ale może nie uchwycić złożonych zależności. Wytrenowanie lasu losowego i uszeregowanie cech według ważności Gini jest dobrym podejściem, ale wymaga ręcznego zarządzania modelem, co zwiększa nakład operacyjny. Wizualizacje szybkiego modelu SageMaker Data Wrangler są przydatne do eksploracji danych, ale niekoniecznie do automatycznego wyboru najważniejszych cech do budowy modelu.