Ein Data Scientist muss ein integriertes SageMaker-Modell erstellen, um verschiedene Gemüsesorten zu klassifizieren. Der Datensatz hat viele Features, und das Unternehmen möchte den Speicherverbrauch während des Trainings und der Bereitstellung minimieren. Das Unternehmen benötigt auch die Möglichkeit, ähnliche Datenpunkte für jedes Testbeispiel zu finden. Welche Algorithmuswahl erfüllt diese Anforderungen?

k-Nearest Neighbors (k-NN) ist eine gute Wahl für die Klassifizierung, da es ähnliche Datenpunkte findet, was eine Anforderung ist. Die Kombination mit Dimensionsreduktion (z.B. PCA) minimiert den Speicherverbrauch und beschleunigt das Training, indem die Anzahl der Features reduziert wird, während wichtige Informationen erhalten bleiben. Linear Learner ist ein Klassifizierungsalgorithmus, aber er findet keine ähnlichen Datenpunkte. K-means Clustering ist ein unüberwachter Algorithmus und daher nicht direkt für die Klassifizierung geeignet. PCA allein ist ein Dimensionsreduktionsverfahren, kein Klassifizierungsalgorithmus.