Een zorgverlener wil afwijkende patronen in vitale functies van patiënten detecteren met behulp van een ongelabelde dataset (medische dossiers, medicatiegeschiedenis, levensstijl). Welk algoritme en welke hyperparameterkeuze is geschikt voor unsupervised anomaliedetectie in SageMaker?

Het SageMaker Random Cut Forest (RCF)-algoritme is ontworpen voor unsupervised anomaliedetectie en is zeer geschikt voor het identificeren van afwijkende patronen in grote datasets, zoals vitale functies. De hyperparameter numtrees regelt het aantal bomen in het forest, waarbij een hogere waarde (zoals 100) de robuustheid en nauwkeurigheid van de anomaliedetectie verhoogt. XGBoost is een supervised learning-algoritme en is niet geschikt voor ongelabelde data. K-means is een clustering-algoritme; hoewel het groepen kan vinden, is het niet primair ontworpen voor het detecteren van individuele afwijkingen. DeepAR is een forecasting-algoritme voor tijdreeksen en is niet relevant voor dit probleem van anomaliedetectie.