Un'azienda di viaggi desidera un modello ML per consigliare la prossima destinazione aeroportuale agli utenti. Ha milioni di record con la posizione dell'utente, le ricerche recenti e 2.000 possibili aeroporti. I dati includono funzionalità categoriche e un target che si prevede sia una matrice sparsa ad alta dimensionalità. Il team deve utilizzare gli algoritmi integrati di Amazon SageMaker e ha funzionalità categoriche codificate con one-hot encoding. Quale algoritmo integrato dovrebbe essere utilizzato?

Factorization Machines (FM) è l'algoritmo più adatto perché eccelle nella gestione di dati sparsi ad alta dimensionalità, come quelli risultanti dall'one-hot encoding di 2.000 possibili aeroporti e altre funzionalità categoriche. È particolarmente efficace per i sistemi di raccomandazione, dove l'interazione tra le funzionalità (ad esempio, utente e aeroporti) è cruciale. CatBoost è ottimo per le funzionalità categoriche, ma le FM sono più efficienti con la sparsità estrema e le interazioni di ordine superiore. DeepAR è per la previsione di serie temporali, non per la raccomandazione di articoli. K-means è un algoritmo di clustering non supervisionato e non è progettato per prevedere una destinazione specifica in base a input complessi e un target supervisionato.