Ein Gesundheitsdienstleister möchte anomale Muster in den Vitaldaten von Patienten mithilfe eines unbeschrifteten Datensatzes (Gesundheitsakten, Medikationshistorie, Lebensstil) erkennen. Welcher Algorithmus und welche Hyperparameterwahl sind für die unüberwachte Anomalieerkennung in SageMaker geeignet?

Der SageMaker Random Cut Forest (RCF)-Algorithmus ist ideal für die unüberwachte Anomalieerkennung, da er Ausreißer in hochdimensionalen Datensätzen effizient identifizieren kann, ohne dass beschriftete Daten erforderlich sind. Das Setzen von numtrees auf einen Wert größer als 100 erhöht die Robustheit des Modells und verbessert die Genauigkeit der Anomaliebewertung. XGBoost ist ein überwachter Algorithmus und daher für unbeschriftete Daten ungeeignet. k-means-Clustering gruppiert ähnliche Datenpunkte, ist aber nicht primär für die Anomalieerkennung konzipiert; Anomalien wären lediglich Punkte, die weit von Cluster-Zentren entfernt sind. DeepAR ist ein Zeitreihen-Prognosealgorithmus und nicht für die Erkennung von Anomalien in statischen Patientendaten geeignet.