一個公開的網路應用程式收集了大量的自由文字使用者回饋。產品經理已將大量的歷史資料集標記為一組固定的類別（例如，UI 問題、效能問題、功能請求、聊天問題）。一位機器學習工程師必須使用 Amazon SageMaker 自動化新回饋的多類別分類。哪種 SageMaker 演算法最適合此任務？

SageMaker BlazingText 演算法非常適合此任務，因為它支援多類別文字分類。它基於 fastText 演算法，能夠有效處理大量自由文字資料，並在 CPU 和 GPU 上進行高效訓練。提供的資料集已標記為一組固定的類別，這正是監督式文字分類的典型場景。 SageMaker Latent Dirichlet Allocation (LDA) 和 Neural Topic Model (NTM) 演算法主要用於主題建模，這是一種無監督學習方法，旨在從文本中發現潛在主題，而非將文本分類到預定義的類別中。SageMaker CatBoost 演算法是一種梯度提升決策樹演算法，雖然它可以用於分類任務，但它主要針對表格數據進行優化，對於自由文字數據的處理效率和效果不如專門的文字演算法（如 BlazingText）。