Bir sağlık hizmeti sağlayıcısı, etiketlenmemiş bir veri kümesi (sağlık kayıtları, ilaç geçmişi, yaşam tarzı) kullanarak anormal hasta yaşamsal belirti modellerini tespit etmek istiyor. SageMaker'da denetimsiz anomali tespiti için hangi algoritma ve hiperparametre seçimi uygundur?

Sağlık kayıtları gibi etiketlenmemiş verilerde anormal modelleri tespit etmek için denetimsiz anomali tespiti algoritmaları gereklidir. SageMaker Random Cut Forest (RCF), bu tür görevler için özel olarak tasarlanmış denetimsiz bir algoritmadır. RCF, veri noktalarının anormallik puanlarını hesaplayarak çalışır. numtrees hiperparametresi, modelin sağlamlığını ve anomali tespiti doğruluğunu artırmak için ayarlanır; daha yüksek bir değer genellikle daha iyi performans sağlar. Diğer seçenekler uygun değildir: SageMaker XGBoost, denetimli öğrenme için tasarlanmıştır ve etiketlenmemiş verilerde anomali tespiti için doğrudan kullanılamaz. SageMaker k-means kümeleme, verileri benzer gruplara ayırmak için kullanılır, ancak doğrudan anomali tespiti için optimize edilmemiştir ve anormallikleri genellikle küçük, izole kümeler olarak ele alır. SageMaker DeepAR, zaman serisi tahminleri için tasarlanmıştır, anomali tespiti için uygun değildir.