Bir üreticinin veri gölünde aylarca süren sensör telemetrisi ve manuel denetim etiketleri bulunmaktadır. Her ürünü denetim etiketlerine göre iyi kalite, yedek parça kalitesi veya hurda olarak sınıflandıran otomatik bir modele ihtiyaçları var. Bu çok sınıflı denetimli sınıflandırma problemi için en doğru tahminleri vermesi en olası modelleme yaklaşımı hangisidir?

Amazon SageMaker XGBoost algoritması, bu çok sınıflı denetimli sınıflandırma problemi için en doğru tahminleri sunar. XGBoost, yapısal ve tablo verileri üzerinde yüksek performans gösteren, ölçeklenebilir ve güçlü bir karar ağacı tabanlı topluluk öğrenme yöntemidir. Sensör telemetrisi ve manuel denetim etiketleri gibi veriler genellikle tablo formatındadır ve XGBoost bu tür verilerle çok iyi çalışır. Amazon SageMaker DeepAR forecasting algoritması, zaman serisi tahminleri için kullanılır, bu senaryoda sınıflandırma yapılması gerektiği için uygun değildir. Amazon SageMaker Latent Dirichlet Allocation (LDA) algoritması, metin verilerinde konu modellemesi için kullanılır, bu da sensör verileri için uygun değildir. ResNet gibi evrişimli sinir ağları (CNN'ler) genellikle görüntü veya video gibi yapılandırılmamış veriler için kullanılır; sensör telemetrisi için doğrudan uygun değildir.