您有一個包含 10,000 列和 1,020 個特徵的表格資料集。其中沒有遺失值、很少重複資料，並且大約有 200 個特徵對的相關性大於 0.9。特徵平均值與中位數相似。在 SageMaker 中訓練模型時，您應該採用哪種特徵工程方法？

資料集有 1,020 個特徵，且其中約 200 對特徵的相關性大於 0.9，這表示存在高度共線性。主成分分析 (PCA) 是一種有效的降維技術，可以將高度相關的特徵轉換為一組較少的不相關主成分，從而減少模型的複雜性、提高訓練效率並可能改善泛化能力。 捨棄相關性分數低的特徵是錯誤的，因為低相關性特徵可能仍包含有用的資訊。Random Cut Forest 用於異常偵測，與特徵工程無關。將高度相關的特徵串聯在一起會加劇共線性問題，而不是解決它。