A. UDF 코드가 Python으로 작성되었고 NumPy와 같은 라이브러리를 통한 벡터화된 연산을 활용하여 효율적으로 일괄 처리로 데이터를 처리합니다.

B. 외부 종속성을 피하기 위해 학습된 모델을 UDF 코드 자체 내의 BLOB로 저장합니다.

C. Snowflake Stage를 사용하여 모델 파일을 저장하고 'snowflake.snowpark.files.SnowflakeFile'을 사용하여 UDF 내에서 모델을 로드하여 메모리 사용량을 최소화합니다.

D. 모델이 Snowflake 환경 외부의 리소스에 액세스해야 하는 경우 UDF 대신 Snowflake 외부 함수를 활용합니다.

E. 지연 시간과 컴퓨팅 비용을 줄이기 위해 UDF 평가에 더 작은 창고 크기를 사용합니다.

A. TRANSACTION_AMOUNT > (SELECT + 3 FROM TRANSACTIONS)인 TRANSACTION ID를 선택하세요.

B. 거래 금액이 q3 + (1.5 iqr)보다 큰 거래에서 거래 ID를 선택하세요.

C. TRANSACTION_AMOUNT >인 TRANSACTIONS에서 TRANSACTION ID를 선택합니다(TRANSACTION_AMOUNT >인 TRANSACTIONS에서 그룹 내 TRANSACTION ID를 선택합니다).

D. TRANSACTION_AMOUNT < qi - (1.5 iqr)인 TRANSACTIONS에서 TRANSACTION ID를 선택하세요.

E. TRANSACTION_AMOUNT >인 TRANSACTIONS에서 TRANSACTION ID를 선택하세요(TRANSACTIONS에서 MEDIAN(TRANSACTION AMOUNT)을 선택하세요);

A. 

B. 

C. 
{<디>}:

D. 

A. 선형 회귀 모델을 학습하기 전에 Snowflake 내의 'LOG' 함수를 사용하여 대상 변수('SALES_PRICE')에 대수 변환을 적용합니다.

B. 각 데이터 포인트의 잔차 분산에 반비례하는 가중치를 계산하여 가중 최소 제곱법(WLS) 회귀를 구현합니다. 여기에는 가중치를 계산하는 UDF를 생성하고 선형 회귀 모델 적합 과정을 수정하는 작업이 포함됩니다. (Snowflake 내에서 적합 과정을 직접 수정할 수 있다고 가정합니다.)

C. Snowflake에서 직접 계산을 지원하지는 않지만, 선형 회귀 분석에서 강건한 표준 오차를 사용합니다. 모델 계수를 외부 통계 패키지(예: Python with Statsmodels)로 내보내 강건한 표준 오차를 계산한 후, 그 결과를 Snowflake로 가져오기로 합니다.

D. 선형 회귀 모델에 독립 변수 간의 상호 작용 항을 포함합니다.

E. Box-Cox 변환을 사용하여 독립 변수를 변환하고 Snowflake 선형 회귀 모델 학습에 포함합니다.

A. 'square_footage'에 'location_id'에서 파생된 원핫 인코딩 열을 곱하여 상호작용 항을 생성합니다. 이 상호작용 항을 선형 회귀 모델에 포함합니다.

B. 'square_footage', 'number_of_bedrooms', 'year_built'를 독립 변수로 사용하여 각 고유한 'location_id'에 대해 별도의 선형 회귀 모델을 맞춥니다.

C. Snowflake SQL의 'QUALIFY 절'을 사용하여 회귀 계수를 계산하기 전에 'location_id'를 기준으로 데이터를 필터링합니다. 이는 잘못된 방법입니다.

D. 선형 회귀 모델에 포함하기 전에 'square_footage'에 거듭제곱 변환을 적용합니다. 이는 올바르지만, 변수가 하나뿐인 경우에만 해당합니다.

E. 'square_footage'와 'location_id'에서 파생된 원핫 인코딩 열을 추가하여 상호작용 항을 생성합니다. 이러한 상호작용 항을 선형 회귀 모델에 포함합니다.