Bir seyahat şirketi, kullanıcılar için bir sonraki havalimanı varış noktasını önermek üzere bir ML modeli istiyor. Milyonlarca kullanıcı konumu, son aramalar ve 2.000 olası havalimanı kaydına sahipler. Veriler kategorik özellikler ve yüksek boyutlu seyrek bir matris olması beklenen bir hedef içeriyor. Ekip, Amazon SageMaker yerleşik algoritmalarını kullanmalı ve kategorik özellikleri one-hot encoded olarak hazırlamış durumda. Hangi yerleşik algoritma kullanılmalıdır?

Factorization Machines (FM), yüksek boyutlu seyrek verilerle iyi çalışan, hem sınıflandırma hem de regresyon görevleri için uygun bir algoritmadır. Kullanıcı konumları, son aramalar ve 2.000 olası havalimanı gibi kategorik özellikler ve seyrek hedef matrisi göz önüne alındığında, FM bu tür tavsiye sistemleri için idealdir. Özellikler arasındaki etkileşimleri modelleyerek daha doğru tahminler yapabilir. CatBoost, kategorik verilerle iyi çalışsa da, özellikle seyrek matrisler ve tavsiye sistemleri için FM'in etkileşim modelleme yeteneği daha avantajlıdır. DeepAR bir zaman serisi tahmin algoritmasıdır ve bu senaryoya uygun değildir. k-means bir kümeleme algoritmasıdır, doğrudan bir sonraki varış noktasını tahmin etmez.