Eğitim veri seti hem kategorik hem de sayısal özellikler içermektedir. En az operasyonel yük ile model doğruluğunu en üst düzeye çıkarmak için ML mühendisi bu özellikleri nasıl hazırlamalıdır?

Doğru cevap, kategorik özellikleri sayısal forma dönüştürmek için Amazon SageMaker Data Wrangler kullanmaktır. Makine öğrenimi modelleri genellikle sayısal verilerle en iyi şekilde çalışır. Kategorik verileri (örneğin, one-hot encoding veya label encoding gibi yöntemlerle) sayısal gösterimlere dönüştürmek, modelin bu verileri anlamasını ve kullanmasını sağlar, bu da model doğruluğunu artırır. SageMaker Data Wrangler, bu tür veri dönüşümlerini operasyonel yükü en aza indirerek kolayca yapabilen güçlü bir araçtır. Diğer seçenekler neden yanlış: Kategorik özellikleri sayısal gösterimlere dönüştürmek için AWS Glue kullanmak mümkündür ancak Data Wrangler, ML veri hazırlığı için özel olarak tasarlanmış daha entegre ve kullanıcı dostu bir çözümdür, bu da operasyonel yükü azaltır. Sayısal özellikleri kategorik kutulara dönüştürmek (binning), bazı durumlarda faydalı olsa da, genellikle model doğruluğunu artırmak için ilk adım değildir ve çoğu zaman bilgi kaybına yol açabilir. Sayısal özellikleri kategorik özelliklere dönüştürmek, genellikle modelin performansını düşürebilir çünkü sayısal verinin barındırdığı sıralı veya sürekli bilgiyi yok eder.