Eine öffentliche Webanwendung sammelt große Mengen an Freitext-Benutzerfeedback. Produktmanager haben einen großen historischen Datensatz in einen festen Satz von Kategorien (z. B. UI-Probleme, Performance-Probleme, Feature-Anfragen, Chat-Probleme) eingeteilt. Ein ML-Ingenieur muss die Multi-Class-Klassifizierung von neuem Feedback mithilfe von Amazon SageMaker automatisieren. Welcher SageMaker-Algorithmus ist für diese Aufgabe am besten geeignet?

Der SageMaker BlazingText-Algorithmus ist die beste Wahl, da er für die Klassifizierung von Textdaten mit hoher Leistung und Effizienz optimiert ist. Er unterstützt sowohl Word2Vec als auch FastText und ist damit ideal für Aufgaben wie die Multi-Class-Textklassifizierung von Benutzerfeedback. Der SageMaker Latent Dirichlet Allocation (LDA)-Algorithmus und der SageMaker Neural Topic Model (NTM)-Algorithmus sind beide für die Themenmodellierung konzipiert, d.h. sie identifizieren verborgene Themen in einer Sammlung von Dokumenten, anstatt Dokumente in vordefinierte Kategorien zu klassifizieren. Der SageMaker CatBoost-Algorithmus ist ein Gradient-Boosting-Algorithmus, der hauptsächlich für Tabellendaten verwendet wird und nicht optimal für die direkte Textklassifizierung ist.