一位 ML 專家正在使用包含複雜視窗聚合的 PySpark 任務準備資料。他們想要測試不同的特徵計數和樣本大小如何影響模型效能。哪種方法可以讓他們記錄轉換參數和結果，以便評估和比較資料準備變體？

正確答案是「在指令碼中使用 Amazon SageMaker Experiments 追蹤器來記錄關鍵參數，並將指令碼作為 SageMaker 處理任務執行。」這是因為 SageMaker Experiments 專為追蹤機器學習實驗的參數、指標和結果而設計，非常適合比較不同的資料準備變體。SageMaker 處理任務是執行 PySpark 任務的合適環境，特別是當涉及複雜的資料轉換時。 其他選項不正確的原因： 使用 SageMaker Debugger 鉤子：SageMaker Debugger 主要用於分析訓練任務期間的模型行為和資源利用率，而不是追蹤資料準備參數和結果。 將指令碼作為 AWS Glue 任務執行：雖然 AWS Glue 可以執行 PySpark 任務，但它本身不提供像 SageMaker Experiments 那樣的內建實驗追蹤功能。如果沒有額外的整合，將難以系統地記錄和比較資料準備變體。