Une ville souhaite prévoir les concentrations de polluants atmosphériques (parties par million) pour les deux prochains jours en utilisant uniquement les observations quotidiennes de l'année écoulée. Pour ce prototype dans Amazon SageMaker, quel algorithme est le plus susceptible de donner les meilleures performances de prévision ?

Le SageMaker Linear Learner configuré comme un régresseur est le plus approprié car la prévision des concentrations de polluants est un problème de régression, où l'on prédit une valeur numérique continue. Le Linear Learner est efficace pour les problèmes de régression et peut capturer les tendances dans les données de séries temporelles. Le k-Nearest-Neighbors (kNN) est moins idéal pour les séries temporelles car il se base sur la similarité des points de données, ce qui peut être inefficace pour capturer les dépendances temporelles et les tendances à long terme. Le Random Cut Forest (RCF) est principalement utilisé pour la détection d'anomalies, pas pour la prévision de valeurs futures. Utiliser le Linear Learner comme classificateur est incorrect car la concentration de polluants est une valeur continue, pas une catégorie discrète.