Ein E-Commerce-Unternehmen hat unbeschriftete historische Transaktions-CSV-Daten in S3 und muss anomale Transaktionen (Betrug) erkennen. Welche Kombination von Modellen sollte es verwenden, um Anomalien in diesem unbeschrifteten Datensatz zu erkennen? (Wählen Sie zwei.)

IP Insights und Random Cut Forest (RCF) sind geeignete Modelle für die Anomalieerkennung in unbeschrifteten Datensätzen. IP Insights ist speziell für die Erkennung von ungewöhnlichem IP-Verhalten konzipiert, was bei Betrugserkennung nützlich sein kann. RCF ist ein unüberwachtes Algorithmus, der Anomalien in hochdimensionalen Daten effizient identifiziert, indem er zufällige Bäume erstellt und die Abweichung von der Norm misst. K-nearest neighbors (k-NN) kann für die Anomalieerkennung verwendet werden, ist aber rechenintensiver und weniger effizient bei großen Datensätzen als RCF. Linear Learner mit logistischer Funktion und XGBoost sind überwachte Lernalgorithmen. Sie erfordern beschriftete Daten (d.h. bekannte Betrugsfälle), um ein Modell zu trainieren, was in diesem Szenario nicht gegeben ist.