Ein Unternehmen plant, einen integrierten SageMaker-Algorithmus zu verwenden, um einen Empfehler zu erstellen, der Vorhersagen für hochdimensionale, spärliche Eingabedaten treffen muss. Welcher SageMaker-Algorithmus ist für dieses Empfehlungsproblem geeignet?

Factorization Machines (FM) sind ideal für Empfehlungssysteme mit hochdimensionalen, spärlichen Daten, da sie latente Merkmale in den Daten lernen können, selbst wenn nur wenige Interaktionen beobachtet wurden. Sie können Interaktionen zwischen Merkmalen modellieren, was für Empfehlungen entscheidend ist. K-nearest neighbors (k-NN) ist weniger effizient bei sehr hochdimensionalen Daten und hat Schwierigkeiten mit Sparsity. Principal component analysis (PCA) ist eine Dimensionsreduktionstechnik und kein Empfehlungsalgorithmus. Sequence-to-Sequence (seq2seq) wird hauptsächlich für sequentielle Daten wie Textübersetzung oder Sprachmodellierung verwendet und ist für dieses Problem ungeeignet.