Производитель хранит месяцы телеметрии датчиков и метки ручной проверки в озере данных. Ему нужна автоматизированная модель, которая классифицирует каждый продукт как хорошее качество, качество для вторичного рынка или брак на основе меток проверки. Какой подход к моделированию, скорее всего, даст наиболее точные прогнозы для этой задачи многоклассовой классификации с учителем?

Алгоритм Amazon SageMaker XGBoost является лучшим выбором, поскольку он отлично подходит для задач табличной классификации, где данные датчиков и метки проверок могут быть представлены в виде структурированной таблицы. XGBoost — это высокопроизводительная реализация градиентного бустинга, известная своей точностью и эффективностью, что делает его идеальным для многоклассовой классификации с учителем. Amazon SageMaker DeepAR Forecasting Algorithm предназначен для прогнозирования временных рядов, а не для классификации. Amazon SageMaker Latent Dirichlet Allocation (LDA) используется для тематического моделирования текста, что не соответствует данной задаче. Сверточная нейронная сеть (CNN), такая как ResNet, в основном используется для обработки изображений или других данных с пространственной структурой, а не для табличных данных датчиков.