Firma turystyczna chce, aby model ML rekomendował użytkownikom następne lotnisko docelowe. Posiadają miliony rekordów z lokalizacją użytkownika, ostatnimi wyszukiwaniami i 2000 możliwych lotnisk. Dane zawierają cechy kategoryczne, a cel ma być rzadką macierzą o wysokiej wymiarowości. Zespół musi użyć wbudowanych algorytmów Amazon SageMaker i ma cechy kategoryczne zakodowane metodą one-hot. Który wbudowany algorytm powinien zostać użyty?

Algorytm Factorization Machines (FM) jest odpowiedni, ponieważ doskonale radzi sobie z rzadkimi danymi i wysokowymiarowymi cechami kategorycznymi zakodowanymi metodą one-hot, co jest typowe dla systemów rekomendacyjnych. Może on efektywnie modelować interakcje między cechami, nawet jeśli te interakcje są rzadko obserwowane. CatBoost jest algorytmem drzew decyzyjnych, który jest dobry dla danych tabelarycznych, ale może nie być optymalny dla bardzo rzadkich, wysokowymiarowych danych z cechami kategorycznymi w kontekście rekomendacji. DeepAR jest algorytmem do prognozowania szeregów czasowych, co nie pasuje do problemu rekomendacji lotnisk docelowych. K-means jest algorytmem klastrowania, a nie rekomendacji; choć można go użyć do grupowania użytkowników, nie jest to bezpośrednie rozwiązanie problemu przewidywania następnego lotniska docelowego.