Specjalista ds. danych musi zbudować wbudowany model SageMaker do klasyfikacji różnych warzyw. Zbiór danych ma wiele cech, a firma chce zminimalizować zużycie pamięci podczas trenowania i wdrażania. Firma wymaga również możliwości znajdowania podobnych punktów danych dla dowolnego przykładu testowego. Jaki wybór algorytmu spełnia te ograniczenia?

k-Nearest Neighbors (k-NN) jest odpowiednim algorytmem do klasyfikacji i znajdowania podobnych punktów danych, ponieważ jego działanie opiera się na odległościach między punktami. Połączenie k-NN z redukcją wymiarowości (np. PCA) jest kluczowe dla zminimalizowania zużycia pamięci i czasu trenowania, zwłaszcza w przypadku zbiorów danych z wieloma cechami. Redukcja wymiarowości zmniejsza złożoność danych, co jest zgodne z wymaganiem minimalizacji zużycia pamięci. Linear Learner jest algorytmem liniowym, który nie jest optymalny do znajdowania podobnych punktów danych w sposób, w jaki robi to k-NN. K-means clustering to algorytm grupowania, a nie klasyfikacji, i nie jest przeznaczony do znajdowania podobnych punktów danych dla pojedynczego przykładu testowego. Principal Component Analysis (PCA) jest techniką redukcji wymiarowości, a nie algorytmem klasyfikacji, więc samodzielnie nie spełnia wszystkich wymagań.