Bir veri bilimcinin çeşitli sebzeleri sınıflandırmak için SageMaker yerleşik bir model oluşturması gerekiyor. Veri kümesi birçok özelliğe sahip ve şirket, eğitim ve dağıtım sırasında bellek kullanımını en aza indirmek istiyor. Şirket ayrıca, herhangi bir test örneği için benzer veri noktalarını bulma yeteneği de talep ediyor. Hangi algoritma seçimi bu kısıtlamaları karşılar?

Doğru cevap, k-En Yakın Komşular (k-NN) algoritmasının boyut azaltma ile birleştirilmesidir. k-NN, benzer veri noktalarını bulma yeteneğiyle bilinir ve sınıflandırma için etkilidir. Boyut azaltma (örneğin PCA veya t-SNE), birçok özelliğe sahip veri kümelerinde bellek kullanımını azaltır ve eğitim/çıkarım hızını artırır. Linear Learner, bellek verimli olsa da, benzer veri noktalarını bulma yeteneği sunmaz. K-means clustering bir denetimsiz öğrenme algoritmasıdır ve sınıflandırma için doğrudan uygun değildir. PCA tek başına bir sınıflandırma algoritması değildir; yalnızca boyut azaltma tekniğidir.