Eğitimden önce, veri kümesinin sınıf dengesizliği minimum operasyonel çabayla giderilmelidir. Bunu en iyi şekilde hangi seçenek başarır?

Doğru cevap, sınıf dengesizliğini gidermek için Amazon SageMaker Data Wrangler'ın denge veri operasyonunu kullanmaktır. SageMaker Data Wrangler, veri hazırlama ve özellik mühendisliği için tasarlanmış bir hizmettir ve sınıf dengesizliği gibi yaygın veri sorunlarını çözmek için yerleşik dönüşümler sunar. "Denge veri" operasyonu, azınlık sınıfını aşırı örnekleyerek veya çoğunluk sınıfını eksik örnekleyerek veri kümesindeki sınıf dağılımını dengelemeye yardımcı olur, bu da minimum operasyonel çaba ile model performansını artırır. Diğer seçenekler neden yanlış: Amazon Athena, veri keşfi için harika olsa da, veri kümesini manuel olarak ayarlamak zaman alıcı ve hataya açık bir süreçtir ve minimum operasyonel çaba hedefini karşılamaz. SageMaker Studio Classic yerleşik algoritmaları, dengesiz veri kümelerini işleyebilir ancak bu, veri kümesini doğrudan dengelemek yerine algoritmanın dengesizliğe karşı daha sağlam olmasını sağlamakla ilgilidir. Bu, dengesizliği gidermek yerine onunla başa çıkmaktır. AWS Glue DataBrew, veri hazırlama için başka bir hizmettir ancak SageMaker Data Wrangler'ın denge veri operasyonu, özellikle bu tür bir dengeleme için tasarlanmış daha entegre ve verimli bir çözümdür.