本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
无人监督的内置算法 SageMaker
Amazon SageMaker 提供了多种内置算法，可用于各种无监督学习任务，例如聚类、降维、模式识别和异常检测。
-
IP 洞察 – 了解 IPv4 地址的使用模式。它旨在捕获 IPv4 地址与各种实体（例如用户 ID 或账号）之间的关联。
-
K-Means 算法 – 查找数据中的离散组，其中一个组的成员尽可能彼此相似，而与其他组的成员尽可能互不相同。
-
主成分分析 (PCA) 算法 – 通过将数据点投影到前几个主成份上来减少数据集中的维度（特征数量）。目标是尽可能保留尽可能多的信息或变体。对于数学家来说，主要成分是数据协方差矩阵的特征向量。
-
Random Cut Forest (RCF) 算法 – 检测数据集中偏离了其他结构良好或模式化的数据的异常数据点。
| 算法名称 | 渠道名称 | 训练输入模式 | 文件类型 | 实例类 | 可并行化 |
|---|---|---|---|---|---|
| IP 见解 | 训练和 (可选) 验证 | 文件 | CSV | CPU 或 GPU | 支持 |
| K-Means | 训练和 (可选) 测试 | 文件或管道 | recordIO-protobuf 或 CSV | CPU 或 GPUCommon（一个或多个实例上的单个 GPU 设备） | 不支持 |
| PCA | 训练和 (可选) 测试 | 文件或管道 | recordIO-protobuf 或 CSV | GPU 或 CPU | 支持 |
| Random Cut Forest | 训练和 (可选) 测试 | 文件或管道 | recordIO-protobuf 或 CSV | CPU | 支持 |