El ingeniero de ML necesita entrenar el modelo de detección de fraude utilizando un algoritmo integrado de SageMaker. ¿Qué algoritmo es la opción adecuada para esta tarea?

LightGBM es un algoritmo de boosting de gradiente que es eficiente y efectivo para problemas de clasificación y regresión, como la detección de fraude. Es conocido por su velocidad y precisión, lo que lo hace ideal para conjuntos de datos grandes y complejos. Linear Learner es un algoritmo de aprendizaje supervisado para problemas de clasificación y regresión, pero LightGBM generalmente ofrece un mejor rendimiento para tareas de detección de fraude debido a su capacidad para modelar relaciones no lineales complejas. K-means clustering es un algoritmo de aprendizaje no supervisado utilizado para agrupar datos, no para clasificación supervisada como la detección de fraude. Neural Topic Model (NTM) es un algoritmo de aprendizaje no supervisado para modelado de temas en datos de texto, no aplicable directamente a la detección de fraude numérica o categórica.