Финансовая команда располагает данными о доходности акций 5000 компаний, каждая из которых имеет 2000 признаков. Они хотят определить 15 наиболее полезных признаков для прогнозирования будущей доходности с минимальными операционными издержками. Какой подход соответствует этим требованиям?

SageMaker Autopilot автоматизирует процесс машинного обучения, включая выбор алгоритмов и настройку гиперпараметров, что минимизирует операционные издержки. Он генерирует отчеты SageMaker Clarify, которые содержат оценки важности признаков, позволяя определить 15 наиболее полезных. Обучение линейной регрессии может быть неоптимальным для сложных взаимосвязей, а ранжирование по коэффициентам не всегда отражает истинную важность. Случайный лес может быть вычислительно дорогим для 2000 признаков, а важность Джини может быть смещена. Быстрая визуализация в Data Wrangler предназначена для предварительного анализа, а не для точного определения важности признаков для моделирования.