L'ingénieur ML doit entraîner le modèle de détection de fraude à l'aide d'un algorithme intégré à SageMaker. Quel algorithme est le choix approprié pour cette tâche ?

LightGBM est un algorithme de boosting de gradient qui est très efficace et performant pour les tâches de classification, y compris la détection de fraude. Il est connu pour sa rapidité d'entraînement et sa capacité à gérer de grands ensembles de données, ce qui est crucial dans les scénarios de fraude où les données sont souvent volumineuses et déséquilibrées. Linear Learner est un algorithme linéaire adapté à la régression et à la classification, mais il peut être moins performant que LightGBM pour des problèmes complexes de détection de fraude. K-means clustering est un algorithme de regroupement non supervisé, inadapté à une tâche de classification supervisée comme la détection de fraude. Neural Topic Model (NTM) est utilisé pour la modélisation de sujets dans le traitement du langage naturel, ce qui n'est pas pertinent ici.