Un proveedor de atención médica desea detectar patrones anómalos en los signos vitales de los pacientes utilizando un conjunto de datos sin etiquetar (registros de salud, historial de medicación, estilo de vida). ¿Qué algoritmo y elección de hiperparámetros son apropiados para la detección de anomalías no supervisada en SageMaker?

El algoritmo SageMaker Random Cut Forest (RCF) es ideal para la detección de anomalías no supervisada en grandes conjuntos de datos, como los signos vitales de los pacientes. RCF construye un bosque de árboles de corte aleatorio, donde las anomalías se identifican como puntos de datos que son aislados más fácilmente. Configurar numtrees en un valor superior a 100 aumenta la robustez del modelo y mejora la precisión en la detección de anomalías. Las otras opciones son incorrectas porque: XGBoost es un algoritmo de aprendizaje supervisado, no adecuado para datos sin etiquetar. k-means es un algoritmo de clustering que agrupa datos similares, pero no está diseñado específicamente para identificar anomalías como RCF. DeepAR es un algoritmo de pronóstico de series temporales, no para la detección de anomalías en datos estáticos o semi-estáticos.