Обучающие данные были нормализованы с помощью min–max масштабирования в AWS Glue DataBrew. Данные для инференса в продакшене должны быть нормализованы точно таким же образом перед отправкой в модель. Какой подход удовлетворяет этому требованию?

Правильный ответ заключается в сохранении параметров min–max нормализации, рассчитанных на основе обучающих данных, и использовании тех же значений для нормализации производственных выборок. Это гарантирует, что данные для инференса будут преобразованы в том же масштабе, что и обучающие данные, что критически важно для корректной работы модели. Если использовать другие параметры нормализации, модель может интерпретировать входные данные некорректно, так как она была обучена на данных с определенным распределением. Остальные варианты неверны, потому что: Применение статистики из общедоступного набора данных не гарантирует соответствия статистике обучающих данных. Расчет нового диапазона min–max из производственного пакета или для каждой отдельной производственной выборки приведет к изменению масштаба данных, что нарушит согласованность с обучающими данными и может ухудшить производительность модели.