Der ML-Ingenieur muss das Betrugserkennungsmodell mithilfe eines integrierten SageMaker-Algorithmus trainieren. Welcher Algorithmus ist die geeignete Wahl für diese Aufgabe?

LightGBM ist ein Gradient-Boosting-Framework, das Entscheidungsbäume für Klassifizierungs- und Regressionsaufgaben verwendet. Es ist bekannt für seine hohe Geschwindigkeit und Effizienz bei großen Datensätzen und eignet sich daher hervorragend für Betrugserkennung, wo oft große Mengen an Transaktionsdaten verarbeitet werden müssen. Linear Learner ist ein Algorithmus für lineare Regression und Klassifizierung, der für Betrugserkennung weniger leistungsfähig ist als baumbasierte Modelle, da er komplexe, nicht-lineare Beziehungen in den Daten schlechter erfasst. K-Means Clustering ist ein unüberwachter Algorithmus zur Gruppierung von Datenpunkten und nicht direkt für die Betrugserkennung (eine überwachte Klassifizierungsaufgabe) geeignet. Neural Topic Model (NTM) ist ein Algorithmus für die Themenmodellierung von Textdaten und daher für die Betrugserkennung von strukturierten Transaktionsdaten irrelevant.