Um cientista de dados precisa construir um modelo integrado do SageMaker para classificar vários vegetais. O conjunto de dados tem muitos recursos e a empresa deseja minimizar o uso de memória durante o treinamento e a implantação. A empresa também exige a capacidade de encontrar pontos de dados semelhantes para qualquer exemplo de teste. Qual escolha de algoritmo satisfaz essas restrições?

k-Nearest Neighbors (k-NN) é ideal para classificação e, quando combinado com redução de dimensionalidade (como PCA ou t-SNE), minimiza o uso de memória ao reduzir o número de recursos. Além disso, o k-NN inherentemente encontra pontos de dados semelhantes (os "vizinhos mais próximos"), satisfazendo o requisito de similaridade. Linear Learner é para classificação linear e não oferece a capacidade de encontrar pontos semelhantes. K-means é um algoritmo de agrupamento, não de classificação, e não encontra pontos semelhantes para exemplos de teste. PCA é uma técnica de redução de dimensionalidade, não um algoritmo de classificação por si só.