Una empresa planea usar un algoritmo integrado de SageMaker para construir un recomendador que debe predecir sobre datos de entrada dispersos y de alta dimensionalidad. ¿Qué algoritmo de SageMaker es apropiado para este problema de recomendación?

Factorization Machines (FM) son ideales para problemas de recomendación con datos dispersos y de alta dimensionalidad porque pueden modelar interacciones entre características incluso cuando no se observan directamente. Esto es crucial en recomendadores donde los usuarios y elementos tienen muchas características, pero la mayoría de las combinaciones no tienen interacciones registradas. K-nearest neighbors (k-NN) es menos efectivo con datos de alta dimensionalidad debido a la "maldición de la dimensionalidad", lo que dificulta encontrar vecinos significativos. Principal component analysis (PCA) es una técnica de reducción de dimensionalidad, no un algoritmo de recomendación, y no está diseñado para predecir interacciones. Sequence-to-Sequence (seq2seq) se utiliza principalmente para tareas de procesamiento de lenguaje natural o series temporales, no para sistemas de recomendación basados en datos dispersos de alta dimensionalidad.