Miasto chce prognozować stężenia zanieczyszczeń powietrza (części na milion) na najbliższe dwa dni, wykorzystując jedynie codzienne obserwacje z ostatniego roku. Dla tego prototypu w Amazon SageMaker, który algorytm najprawdopodobniej zapewni najlepszą wydajność prognozowania?

Prognozowanie stężenia zanieczyszczeń powietrza to zadanie regresji, ponieważ przewidujemy ciągłą wartość liczbową. SageMaker Linear Learner jest efektywnym algorytmem do zadań regresji, szczególnie gdy dane są liniowo separowalne lub gdy chcemy szybko uzyskać prototyp. Ustawienie predictortype na regressor jest kluczowe dla tego typu problemu. k-Nearest Neighbors (kNN) jest mniej odpowiedni dla długoterminowych prognoz szeregów czasowych, ponieważ jego wydajność zależy od lokalnej struktury danych, która może być niestabilna w szeregach czasowych. Random Cut Forest (RCF) jest algorytmem do wykrywania anomalii, a nie do prognozowania. Użycie Linear Learner z predictortype ustawionym na classifier byłoby błędne, ponieważ klasyfikacja przewiduje dyskretne klasy, a nie ciągłe wartości.