Туристическая компания хочет использовать модель машинного обучения для рекомендации следующего аэропорта назначения для пользователей. У них есть миллионы записей с данными о местоположении пользователя, недавних поисковых запросах и 2000 возможных аэропортах. Данные включают категориальные признаки, а целевая переменная, как ожидается, будет разреженной матрицей высокой размерности. Команда должна использовать встроенные алгоритмы Amazon SageMaker и имеет категориальные признаки, закодированные с помощью one-hot encoding. Какой встроенный алгоритм следует использовать?

Factorization Machines (FM) — это мощный алгоритм для задач рекомендаций, особенно когда данные разрежены и имеют высокую размерность, что соответствует описанию (миллионы записей, 2000 возможных аэропортов, разреженная целевая переменная). FM эффективно работает с категориальными признаками, закодированными one-hot encoding, и способен выявлять взаимодействия между признаками даже при их отсутствии в обучающих данных. CatBoost не является встроенным алгоритмом SageMaker. DeepAR предназначен для прогнозирования временных рядов, а не для рекомендаций следующего пункта назначения. k-means — это алгоритм кластеризации, который не подходит для задачи рекомендации конкретного аэропорта назначения.