Une entreprise de commerce électronique dispose de données CSV de transactions historiques non étiquetées dans S3 et doit détecter les transactions anormales (fraude). Quelle combinaison de modèles devrait-elle utiliser pour détecter les anomalies dans cet ensemble de données non étiquetées ? (Choisissez-en deux.)

Pour détecter les anomalies dans des données non étiquetées, des algorithmes d'apprentissage non supervisé sont nécessaires. Random Cut Forest (RCF) est un algorithme non supervisé spécifiquement conçu pour la détection d'anomalies dans des flux de données ou des ensembles de données statiques. Il est efficace pour identifier les points de données qui s'écartent significativement de la norme. IP Insights est également un algorithme non supervisé qui détecte les activités inhabituelles liées aux adresses IP, ce qui est pertinent pour la détection de fraude dans les transactions. K-plus proches voisins (k-NN) peut être utilisé pour la détection d'anomalies en mode non supervisé (en mesurant la densité), mais RCF est souvent plus robuste pour ce cas d'utilisation. L'apprentissage linéaire avec une fonction logistique et XGBoost sont des algorithmes d'apprentissage supervisé, nécessitant des données étiquetées pour l'entraînement, ce qui n'est pas le cas ici.