Un fornitore di servizi sanitari desidera rilevare pattern anomali nei segni vitali dei pazienti utilizzando un dataset non etichettato (cartelle cliniche, storia farmacologica, stile di vita). Quale algoritmo e scelta di iperparametri sono appropriati per il rilevamento di anomalie non supervisionato in SageMaker?

L'algoritmo SageMaker Random Cut Forest (RCF) è specificamente progettato per il rilevamento di anomalie non supervisionato in flussi di dati o set di dati statici, rendendolo ideale per identificare pattern anomali nei segni vitali dei pazienti senza etichette preesistenti. L'iperparametro numtrees controlla il numero di alberi nella foresta, e un valore maggiore di 100 aumenta la robustezza del modello nel rilevare le anomalie. XGBoost è un algoritmo di apprendimento supervisionato e non è adatto per dati non etichettati. k-means è un algoritmo di clustering, non di rilevamento di anomalie, e sebbene possa essere usato per trovare cluster, non identifica direttamente le anomalie in questo contesto. DeepAR è un algoritmo di previsione delle serie temporali, non di rilevamento di anomalie.