Un fournisseur de soins de santé souhaite détecter des schémas anormaux dans les signes vitaux des patients à l'aide d'un ensemble de données non étiquetées (dossiers de santé, antécédents médicamenteux, mode de vie). Quel algorithme et quel choix d'hyperparamètre sont appropriés pour la détection d'anomalies non supervisée dans SageMaker ?

L'algorithme SageMaker Random Cut Forest (RCF) est spécifiquement conçu pour la détection d'anomalies non supervisée sur des ensembles de données non étiquetées, ce qui correspond parfaitement au cas d'utilisation des signes vitaux des patients. Le paramètre numtrees contrôle le nombre d'arbres dans la forêt, et une valeur supérieure à 100 est généralement recommandée pour une meilleure robustesse et précision dans la détection d'anomalies. XGBoost est un algorithme d'apprentissage supervisé, inadapté aux données non étiquetées. K-means est un algorithme de clustering qui regroupe des points de données similaires, mais n'est pas optimisé pour la détection d'anomalies. DeepAR est un algorithme de prévision de séries chronologiques, non pertinent pour la détection d'anomalies dans ce contexte.