Инженер по данным использует Amazon SageMaker Data Wrangler для оценки клиентских данных для модели прогнозирования поведения. Для повышения производительности модели ему необходимо проверить наличие мультиколлинеарности. Какие шаги требуют наименьших операционных усилий для обнаружения мультиколлинеарности? (Выберите два.)

Мультиколлинеарность возникает, когда независимые переменные в модели сильно коррелируют друг с другом, что может привести к нестабильным оценкам коэффициентов. SageMaker Data Wrangler предлагает инструменты для обнаружения этого с минимальными операционными усилиями. Анализ главных компонент (PCA) и сингулярное разложение (SVD) помогают выявить мультиколлинеарность, обнаруживая линейные зависимости между переменными через сингулярные значения. Если некоторые сингулярные значения близки к нулю, это указывает на мультиколлинеарность. LASSO (Least Absolute Shrinkage and Selection Operator) — это метод регуляризации, который может уменьшать коэффициенты сильно коррелированных признаков до нуля, тем самым выявляя мультиколлинеарность. Визуализация коэффициентов LASSO позволяет легко определить такие признаки. One-hot encoding, Min Max Scaler и Quick Model не предназначены для прямого обнаружения мультиколлинеарности.