Dostawca usług medycznych chce wykrywać anomalne wzorce parametrów życiowych pacjentów, korzystając z nieoznaczonego zbioru danych (dokumentacja medyczna, historia leków, styl życia). Który algorytm i wybór hiperparametru jest odpowiedni do nienadzorowanego wykrywania anomalii w SageMaker?

Algorytm SageMaker Random Cut Forest (RCF) jest przeznaczony do nienadzorowanego wykrywania anomalii w danych szeregów czasowych i danych tabelarycznych, co idealnie pasuje do scenariusza wykrywania anomalii w parametrach życiowych pacjentów. Ustawienie numtrees na wartość większą niż 100 zwiększa dokładność modelu poprzez agregację wyników z wielu drzew. XGBoost jest algorytmem nadzorowanym, wymagającym oznaczonych danych do klasyfikacji lub regresji, co nie pasuje do nieoznaczonego zbioru danych. K-means clustering jest algorytmem grupowania, który identyfikuje podobne grupy, ale nie jest optymalny do bezpośredniego wykrywania anomalii bez dodatkowej logiki. DeepAR forecasting jest algorytmem do prognozowania szeregów czasowych, a nie do wykrywania anomalii.