一個財務團隊擁有 5,000 家公司的股票報酬資料，每家公司有 2,000 個特徵。他們希望找出對預測未來報酬最有用且營運開銷最少的前 15 個特徵。哪種方法能滿足此需求？

Amazon SageMaker Autopilot 自動化機器學習流程，包含資料預處理、演算法選擇和模型訓練，能快速建立迴歸模型。Autopilot 產生的 SageMaker Clarify 報告會提供特徵重要性分數，讓您識別對預測未來報酬最有用的前 15 個特徵，且操作開銷最少。 其他選項的缺點： 線性迴歸模型的係數雖然能表示特徵重要性，但對於 2,000 個特徵的複雜資料集，其解釋能力可能不足，且無法捕捉非線性關係。 隨機森林的 Gini importance 是一種特徵重要性度量，但需要手動訓練模型，不符合「營運開銷最少」的需求。 SageMaker Data Wrangler 專注於資料準備和轉換，其快速模型視覺化功能主要用於初步探索和驗證資料，而非提供詳細且可信賴的特徵重要性報告。