Une entreprise prévoit d'utiliser un algorithme intégré à SageMaker pour créer un système de recommandation qui doit faire des prédictions sur des données d'entrée de grande dimension et éparses. Quel algorithme SageMaker est approprié pour ce problème de recommandation ?

Les Factorization Machines (FM) sont un excellent choix pour les systèmes de recommandation traitant des données de grande dimension et éparses. Elles modélisent les interactions entre les paires de caractéristiques, ce qui est crucial pour capturer les préférences des utilisateurs et les relations entre les éléments, même lorsque peu de données sont disponibles pour une combinaison spécifique. Le k-NN est moins adapté car il souffre de la malédiction de la dimensionnalité avec des données de grande dimension et éparses, rendant la recherche des voisins proches inefficace et imprécise. La PCA est une technique de réduction de dimensionnalité, pas un algorithme de recommandation. Seq2seq est utilisé pour des tâches comme la traduction automatique ou la génération de texte, et non pour la recommandation basée sur des données tabulaires éparses.