Вам необходимо использовать Amazon SageMaker DeepAR для прогнозирования требуемых входных материалов и энергии, но большинство обучающих записей имеют пропущенные целевые значения, а данные хранятся в формате JSON. Какой подход требует наименьших усилий по разработке для обработки пропущенных целевых значений при обучении DeepAR?

DeepAR разработан для обработки пропущенных целевых значений в обучающих данных. Он может автоматически игнорировать эти значения при расчете функции потерь, но учитывать их при определении контекстного окна. Кодирование пропущенных значений как NaN (не число) — это стандартный способ указания отсутствующих данных, который DeepAR понимает и обрабатывает без дополнительной предварительной обработки. Использование линейной регрессии, прямого заполнения или среднего значения для заполнения пропущенных данных может внести смещение или шум в обучающий набор, что потенциально снизит точность модели, и требует дополнительных усилий по разработке.