Bir veri bilimcisi, Amazon SageMaker Data Wrangler'ı kullanarak bir hedefi en iyi tahmin eden öngörücü değişkenleri seçmek istiyor. Öngörücüler hedefle ilişkilidir ve bilim insanı, özellik alanı boyunca farklı yönlerdeki varyansı anlamak istiyor. Bu ihtiyaçları hangi yaklaşım karşılar?

Doğru cevap, "Özellikleri dönüştürmek ve varyans yönlerini incelemek için Data Wrangler'ın temel bileşen analizi (PCA) ile çoklu doğrusallık araçlarını kullanın." çünkü PCA, yüksek boyutlu verileri daha düşük boyutlu bir gösterime dönüştürerek, verilerdeki en fazla varyansı açıklayan ana bileşenleri bulur. Bu, öngörücü değişkenler arasındaki ilişkileri ve varyansın farklı yönlerini anlamak için idealdir. Çoklu doğrusallık araçları ise bağımsız değişkenler arasındaki korelasyonu değerlendirmeye yardımcı olur. Diğer seçenekler neden yanlış: "Değişkenlerin ne kadar yakından ilişkili olduğunu ölçmek için Data Wrangler'ın varyans şişirme faktörü (VIF) ile çoklu doğrusallık ölçümlerini kullanın." VIF, çoklu doğrusallığı ölçmek için iyidir ancak varyansın farklı yönlerini incelemek için PCA kadar kapsamlı değildir. "Verilerden model kalitesini tahmin etmek için Data Wrangler Data Quality and Insights hızlı model görselleştirmesini kullanın." Bu araç model kalitesini değerlendirir, ancak öngörücü değişkenlerin hedefle ilişkisini veya varyans yönlerini doğrudan analiz etmez. "Özellikleri tahmine dayalı güçlerine göre sıralamak için Data Wrangler Data Quality and Insights raporunu kullanın." Bu rapor, özelliklerin tahmine dayalı gücünü gösterir ancak özellikler arasındaki varyans yönlerini veya ilişkileri dönüştürme yeteneği sunmaz.