Een e-commercebedrijf heeft ongelabelde historische transactie-CSV-gegevens in S3 en moet afwijkende transacties (fraude) detecteren. Welke combinatie van modellen moeten ze gebruiken om afwijkingen in deze ongelabelde dataset te detecteren? (Kies er twee.)

IP Insights is geschikt voor het detecteren van afwijkend gedrag gebaseerd op IP-adressen, wat nuttig kan zijn bij fraudedetectie in e-commercetransacties. Random Cut Forest (RCF) is een unsupervised algoritme dat effectief is in het identificeren van afwijkingen in grote datasets zonder gelabelde gegevens, precies wat nodig is voor de ongelabelde historische transactiegegevens. K-nearest neighbors (k-NN) kan ook voor anomaliedetectie worden gebruikt, maar RCF is vaak efficiënter voor grote datasets. Linear learner met een logistische functie en XGBoost zijn supervised leeralgoritmes, wat betekent dat ze gelabelde gegevens vereisen voor training, die in dit scenario niet beschikbaar zijn.