Uma cidade deseja prever as concentrações de poluentes atmosféricos (partes por milhão) para os próximos dois dias usando apenas observações diárias do último ano. Para este protótipo no Amazon SageMaker, qual algoritmo tem maior probabilidade de oferecer o melhor desempenho de previsão?

O SageMaker Linear Learner é adequado para este problema de previsão de séries temporais porque pode modelar a relação entre as observações passadas e as futuras concentrações de poluentes. Ao definir predictortype como regressor, ele é otimizado para prever valores contínuos (partes por milhão), que é o que o problema exige. O kNN não é ideal para séries temporais devido à sua sensibilidade à ordem dos dados e à dificuldade em capturar tendências temporais. O Random Cut Forest é projetado para detecção de anomalias, não para previsão de valores futuros. Usar o Linear Learner com predictortype como classifier seria incorreto, pois o problema envolve a previsão de um valor numérico contínuo, não a classificação em categorias discretas.