Una ciudad quiere pronosticar las concentraciones de contaminantes del aire (partes por millón) para los próximos dos días utilizando solo observaciones diarias del último año. Para este prototipo en Amazon SageMaker, ¿qué algoritmo es más probable que ofrezca el mejor rendimiento de pronóstico?

La opción correcta es usar SageMaker Linear Learner con predictortype configurado como regressor. Esto se debe a que la tarea es predecir concentraciones de contaminantes (un valor numérico continuo), lo cual es un problema de regresión. Linear Learner es un algoritmo supervisado eficaz para problemas de regresión cuando se dispone de datos históricos. Usar k-Nearest-Neighbors (kNN) podría ser una opción, pero Linear Learner a menudo ofrece un mejor rendimiento y es más eficiente computacionalmente para grandes conjuntos de datos. Random Cut Forest (RCF) es un algoritmo de detección de anomalías, no de pronóstico, por lo que no es adecuado para esta tarea. Configurar Linear Learner como classifier sería incorrecto porque la clasificación predice categorías discretas, no valores continuos.