您需要使用 Amazon SageMaker DeepAR 來預測所需的輸入材料和能源，但大多數訓練記錄都缺少目標值，並且資料以 JSON 格式儲存。哪種方法所需的開發工作量最少，可以處理 DeepAR 訓練中缺少的目標值？

Amazon SageMaker DeepAR 演算法能夠直接處理訓練資料中遺失的目標值。您只需將這些遺失值表示為 NaN (Not a Number)，DeepAR 就能在訓練過程中自動處理它們，而不需要額外的預處理步驟。這種方法所需的開發工作量最少，因為它利用了 DeepAR 內建的功能。 其他選項則需要額外的資料預處理步驟： 線性迴歸插補、前向填充和替換為平均值都需要在訓練 DeepAR 之前對資料進行額外處理，這增加了開發工作量。 這些插補方法也可能引入偏差或不準確性，特別是當遺失資料的模式不是隨機時。DeepAR 處理 NaN 的能力通常更為穩健，因為它在模型訓練中考慮了這種不確定性。