一个公共Web应用程序收集了大量的自由文本用户反馈。产品经理已将大量历史数据集标记为一组固定的类别（例如，UI问题、性能问题、功能请求、聊天问题）。一位ML工程师必须使用Amazon SageMaker自动对新反馈进行多类别分类。哪种SageMaker算法最适合此任务？

SageMaker BlazingText 算法非常适合此任务，因为它支持文本分类，并且能够高效地处理大量文本数据。它基于 fastText 算法，可以快速训练词向量和文本分类模型，非常适合多类别文本分类问题。 SageMaker Latent Dirichlet Allocation (LDA) 和 Neural Topic Model (NTM) 算法主要用于主题建模，即从文档集合中发现抽象的“主题”，而不是将文本分类到预定义的类别中。SageMaker CatBoost 算法是一种梯度提升决策树算法，主要用于表格数据或数值数据，不直接适用于自由文本分类，除非文本数据被转换为数值特征。