D2.1 核心参考 · 2026-09-13 官方清单校准

SageMaker 内置算法场景路由

业务词只是背景，不是答案。先确定有没有标签、要输出什么，再看数据结构、不平衡和错误代价，算法通常会缩小到两三个候选。

考试优先级：高 MLA-C01 D2.1-D2.3 22 个可展开算法族可打印

五问判断链

考试中按顺序划题干，先不要看算法选项。

有标签吗？

有目标值是监督学习；没有目标值才进入聚类、降维、异常或主题模型。

输出是什么？

类别、连续值、未来序列、异常分数、主题、embedding、边界框或像素标签。

数据长什么样？

普通表格、高维稀疏交互、相关序列、对象对、文本、图像，还是实体-IP 配对。

决定性约束？

非线性交互、类别特征、规模、延迟、解释性、缺失值、少量标注或概率预测。

错哪一种更贵？

类别不平衡时，明确 FP/FN 成本，再决定权重、阈值、采样和评估指标。

考纲证据：MLA-C01 D2.1 明确要求理解算法能力与适用场景，并依据数据、问题、性能和成本比较模型；D2.3 要求按场景选择混淆矩阵、F1、precision、recall、ROC/AUC 等指标。

从业务词退回 ML 目标

先改写成“输入 → 输出”，再路由。

题干业务词	真正问题	优先候选	决定性线索
欺诈 / 流失 / 购买 / 违约	已有正负标签的表格二分类	XGBoost、LightGBM、CatBoost、Linear Learner、AutoGluon	不平衡不改变“监督分类”；它改变样本权重、阈值与指标。
欺诈 / 异常交易	没有欺诈标签，只找偏离正常模式的数据点	Random Cut Forest	输出是 anomaly score，不是预定义类别。
可疑登录	用户或账号与 IPv4 的异常关联	IP Insights	题干出现 entity-IP pair 是专用信号。
预测性维护	无标签传感器异常	Random Cut Forest	目标是尽早发现异常行为或突变。
预测性维护	预测未来传感器标量轨迹	DeepAR	多台设备的相关序列、未来窗口和分位数。
预测性维护	预测是否故障 / 故障类型 / 剩余寿命	表格分类器 / 表格回归器	已有 fail/no-fail、类别或连续目标标签。
推荐 / 点击率	超高维稀疏特征的二阶交互	Factorization Machines	用户、物品、上下文 one-hot 交互。
相似商品 / 句子对	学习两个对象的关系或低维表示	Object2Vec	训练单元是 object pair，而非普通行分类。
需求 / 销量预测	大量相关的一维时间序列概率预测	DeepAR	多个 SKU/门店共享模式，输出 P10/P50/P90。
文档归类	有预定义标签的文本分类	BlazingText 或 Text Classification - TensorFlow	前者强调大规模快速训练；后者强调预训练模型迁移学习。
文档主题发现	无标签词袋语料的 topic modeling	LDA 或 NTM	主题事先未知；不是文本分类。
视觉识别	整图 / 对象位置 / 每像素	Image Classification / Object Detection / Semantic Segmentation	看输出粒度，不看“识别”这个笼统动词。

类别不平衡四步法

不平衡是一组训练与评估策略，不是一种模型。

先守住验证设计：分类任务通常分层抽样；有时间因果关系时按时间切分，避免未来信息泄漏。
让训练看见错误代价：XGBoost 可用 scale_pos_weight 或实例权重；Linear Learner 二分类可用 positive_example_weight_mult。
再处理数据与决策阈值：在训练集上欠采样/过采样，保留原始分布的验证集；根据 FP/FN 成本调阈值。
用合适指标验收：不要只看 accuracy；同时查看 confusion matrix、precision、recall、F1/Balanced Accuracy，以及 ROC-AUC 或 AUPRC。

漏掉正类代价高

优先 Recall

欺诈漏报、严重疾病漏诊。可用 F-beta 且 beta > 1 强调 recall，同时监控误报。

误报代价高

优先 Precision

误封正常交易、把正常邮件拦截。需要在目标 precision 下最大化 recall。

两者都重要

F1 + Confusion Matrix

F1 给单值平衡，混淆矩阵保留 TP/FP/FN/TN 的业务含义。

比较全部阈值

ROC-AUC + AUPRC

ROC-AUC 衡量跨阈值排序能力；稀有正类还应查看 precision-recall 曲线，最终阈值仍由成本决定。

实现	不平衡抓手	考试级理解
XGBoost	`scale_pos_weight`；`csv_weights`	前者平衡正负类，常从负样本数/正样本数试起；后者为每个样本提供实例权重。
Linear Learner	`positive_example_weight_mult`	二分类正例权重可设 `balanced`、`auto` 或数值；还能按 F-beta、目标 recall 下的 precision 等标准选模型。
Linear Learner	`balance_multiclass_weights`	只适用于 multiclass_classifier，不要拿它解释二分类流失题。
任意概率分类器	采样、阈值、成本敏感指标	模型输出概率后，阈值不是固定真理；业务成本往往比默认 0.5 更重要。

一句话记忆：先选“能做这个监督任务”的模型，再处理不平衡。不要因为少数类很少就从二分类跳到 RCF。

算法详解目录

点击算法展开。多个条目可以同时打开，便于横向比较。

A. 表格监督学习

XGBoost分类 · 回归 · 排序非线性表格强基线；复杂交互与不平衡

什么时候选

结构化表格、有标签、关系非线性，或需要成熟梯度提升树。欺诈、流失、信用风险、转化率都常是候选，但业务名称本身不构成选择理由。

重要特性

顺序叠加弱树修正残差；支持正则化、缺失值处理、多种目标与排序。eta、max_depth、min_child_weight、subsample 和早停控制容量。

不平衡与易混点

scale_pos_weight 和实例权重是关键抓手。它不是无标签异常检测；没有欺诈标签且只需异常分数时看 RCF。

LightGBM分类 · 回归高效梯度提升树；大型表格

什么时候选

表格数据需要高效 GBDT，题干强调训练速度、内存效率或大规模稀疏特征。

重要特性

GOSS 保留大梯度样本，EFB 捆绑互斥特征以提升效率。核心复杂度抓手是叶子数、学习率和 boosting rounds。

不要混淆

与 XGBoost 同属 boosting，不是 bagging。官方 SageMaker 内置实现使用 CSV、File mode、单实例 CPU，题目若强调分布式输入先核对具体实现。

CatBoost分类 · 回归类别特征多；ordered boosting

什么时候选

表格数据含大量高基数 categorical features，希望减少手工 one-hot 与目标编码工作。

重要特性

梯度提升树，使用 ordered boosting，并提供专门的类别特征处理方法。

不要混淆

“类别特征”指输入列类型，不等于“分类任务”；CatBoost 也可回归。当前 SageMaker 内置实现为 CSV、File mode、单实例 CPU。

AutoGluon-Tabular分类 · 回归 · 排序限定时间内快速获得强 AutoML 基线

什么时候选

题干强调最少模型开发工作、混合列类型、快速达到较高表格精度，且可接受模型组合带来的资源成本。

重要特性

自动识别列类型、预处理，并训练树模型与神经网络等多个模型；通过 bagging 和多层 stacking 组合预测。

不要混淆

它是表格 AutoML 算法实现，不等于整个 SageMaker Autopilot 服务。准确率可能强，但解释、延迟和成本需单独验证。

Linear Learner二/多分类 · 回归快速线性基线；解释性与稀疏高维

什么时候选

决策边界近似线性、需要快速可解释基线，或题目候选中只有它能处理带标签分类。输入特征尺度通常值得标准化。

重要特性

并行探索多个损失和模型；支持 L1/L2、自动归一化、二分类正例权重，以及按 F-beta、precision/recall 目标选择模型。

不要混淆

它不会自动学习复杂非线性交互。流失题若同时强调强类别-数值交互，XGBoost/CatBoost 通常更自然；若选项只有 Linear Learner、RCF、K-Means、NTM，则 Linear Learner 因监督分类边界胜出。

Factorization Machines二分类 · 回归超高维稀疏二阶交互

什么时候选

CTR、广告或推荐场景，用户、物品和上下文经过 one-hot 后极度稀疏，并且需要学习特征两两交互。

重要特性

在线性项之外，用低维因子经济地估计 pairwise interactions；num_factors 控制交互表示容量。

不要混淆

它不只是用户-物品矩阵分解，还能加入上下文特征。SageMaker 训练常用稀疏 RecordIO-protobuf，支持 File/Pipe 和并行训练。

k-Nearest Neighbors分类 · 回归相似样本有相似标签

什么时候选

局部邻域结构可靠，数据规模和延迟允许在索引中搜索邻居；无需假设线性边界。

重要特性

非参数方法：分类取邻居标签，回归聚合邻居目标。可进行样本和特征维度缩减。

不要混淆

对特征尺度与高维距离退化敏感；预测成本通常高于训练成本。K-Means 是无标签分群，k-NN 是有标签预测。

TabTransformer分类 · 回归用 self-attention 建模表格上下文

什么时候选

表格任务含类别特征，希望用深度学习的上下文表示捕获类别列之间的关系。

重要特性

使用 Transformer self-attention 生成 contextual embeddings，再与连续特征结合预测。

不要混淆

不要仅因看到“Transformer”就用于任意文本任务。它面向 tabular data；小数据或严格低成本时树模型/线性基线常更直接。

B. 时间序列、表示学习与无监督

DeepAR监督式概率时间序列预测大量相关标量序列；未来分位数

什么时候选

有数百到数万条相关的一维序列，要预测未来窗口并得到概率分布或 P10/P50/P90。

重要特性

RNN 全局模型跨序列共享信息；prediction_length 定义预测范围，context_length 定义历史上下文。

不要混淆

它预测未来 scalar series，不直接等于异常检测或 fail/no-fail 分类。单纯给当前传感器点打异常分用 RCF。

Object2Vec监督式 embedding对象对关系、相似度与低维表示

什么时候选

训练样本天然是对象对，例如句子-句子、用户-商品、商品-商品，并有关系标签或可从行为构造的标签。

重要特性

两个可配置 encoder 将高维对象编码为 dense embedding，可输出关系分数或把表示交给下游模型。

不要混淆

与 Word2Vec 不同，它不局限于词与上下文；与 FM 不同，它强调对象对编码，不是普通稀疏表格的二阶项。

Random Cut Forest无监督异常检测一般数值向量或序列的 anomaly score

什么时候选

没有异常标签，需要从有规律的数值数据中找到尖峰、突变或难以归类的数据点。

重要特性

通过随机切割树隔离数据点，异常点更容易被少量切割分离；输出连续 anomaly score，阈值需按业务校准。

不要混淆

有可靠欺诈/故障标签时优先监督分类；多条序列的未来值预测用 DeepAR。RCF 训练不因 GPU 获益。

IP Insights无监督实体-IP 异常账号从不寻常 IPv4 访问

什么时候选

数据是 entity identifier 与 IPv4 address 配对，要识别某个实体不常使用的 IP。

重要特性

学习实体和 IP 的向量表示及正常关联模式，为配对产生 anomaly score，可作为下游安全模型特征。

不要混淆

一般设备/交易数值异常用 RCF；已有恶意登录标签则可训练监督分类器。

K-Means无监督聚类把相似点分成预设的 k 组

什么时候选

没有标签，要做客户分群、样本探索或构造 cluster 特征，且距离到质心有意义。

重要特性

反复分配最近 centroid 并更新中心；k 决定分群粒度，初始化与特征缩放影响结果。

不要混淆

不能直接预测已定义的 churn/fraud 标签；k-NN 才是利用带标签邻居做分类/回归。

Principal Component Analysis无监督降维保留方差的正交投影

什么时候选

高维连续特征需要压缩、去相关、可视化前处理，或降低下游训练成本。

重要特性

主成分是原始特征的线性组合并彼此不相关；regular 模式适合稀疏中等数据，randomized 模式适合观测和特征都很大。

不要混淆

PCA 是 feature extraction，不是按标签挑列的 feature selection，也不产生 cluster assignment。

C. 文本

BlazingTextWord2Vec · 监督文本分类大规模词向量或快速文本标签

什么时候选

要训练 CBOW/skip-gram 词表示，或对分词后的文本做高效多类、多标签监督分类。

重要特性

CBOW 通常更快；skip-gram 更适合从较少数据学习稀有词；batch skip-gram 面向更快训练。

不要混淆

没有预定义类别而要发现主题时用 LDA/NTM；输入输出都是 token sequence 时用 Seq2Seq。

Text Classification - TensorFlow监督文本分类预训练 TensorFlow 模型迁移学习

什么时候选

文本已有类别标签，题干强调用预训练模型进行 transfer learning 或 fine-tuning。

重要特性

基于可用预训练 TensorFlow 模型微调，减少从零训练所需数据与时间。

不要混淆

BlazingText 的核心识别词是 Word2Vec 和高效文本分类；本算法的核心识别词是预训练模型迁移学习。

Latent Dirichlet Allocation无监督主题模型经典生成式概率主题模型

什么时候选

没有文档标签，要把语料表示成若干潜在主题的混合，并希望使用经典、概率可解释的词袋模型。

重要特性

每个文档是主题概率混合，每个主题是词概率分布；忽略词序，词形还原通常有帮助。

不要混淆

LDA 在这里指 Latent Dirichlet Allocation，不是 Linear Discriminant Analysis。已有类别标签时不是主题模型问题。

Neural Topic Model无监督主题模型神经变分方法学习潜在主题

什么时候选

无标签文档主题发现，题干明确 neural topic modeling，或希望把文档潜在表示交给下游分类/检索。

重要特性

从词分布推断文档的 latent representation；支持 validation loss 与 early stopping。

不要混淆

NTM 与 LDA 解决同类问题但算法不同，结果不保证一致；它不是 churn/fraud 的表格分类器。

Sequence-to-Sequence监督式序列生成输入 token 序列 → 输出 token 序列

什么时候选

有配对序列训练数据，例如翻译、摘要、语音 token 到文本 token。

重要特性

encoder-decoder RNN/CNN 加 attention；训练要求 RecordIO-Protobuf 与源/目标词表，只支持单机多 GPU。

不要混淆

输出一个固定类别时是文本分类，不是 Seq2Seq；输出未来连续数值序列时看 DeepAR。

D. 计算机视觉

Image ClassificationMXNet / TensorFlow整张图一个或多个标签

什么时候选

问题是“整张图是什么”。MXNet 实现支持 multi-label；TensorFlow 实现强调使用预训练 TensorFlow Hub 模型迁移学习。

重要特性

MXNet 可从零训练或迁移学习；标注只需要图像级类别，成本低于框或像素 mask。

不要混淆

需要物体位置用 Object Detection；需要精确形状与每像素类别用 Semantic Segmentation。

Object DetectionMXNet / TensorFlow类别 + bounding box + 多个实例

什么时候选

一张图中可能有多个对象，要知道每个对象是什么以及在哪里。

重要特性

输出对象标签、置信度与矩形框；TensorFlow 实现支持预训练模型迁移学习。

不要混淆

框只给粗位置，不给精确轮廓；若每个像素都要分类，选择 Semantic Segmentation。

Semantic Segmentation像素级监督学习每个像素一个预定义类别

什么时候选

自动驾驶道路区域、医学影像组织或遥感土地覆盖，需要对象形状和像素级 mask。

重要特性

可选 FCN、PSP 或 DeepLabV3，使用 ResNet50/101 backbone；训练标注是与图像对应的像素 mask。

不要混淆

标注成本最高；如果边界框足够就用 Object Detection，如果只要整图类别就用 Image Classification。

Bagging、Boosting、Stacking

错题第 15 题考的是组合机制，不是某个 AWS 服务。

方法	如何训练	主要作用	题干信号
Bagging	同类基学习器在不同 bootstrap 子集上并行训练，再平均/投票	降低方差、提高稳定性	并行、重采样、同一模型族、Random Forest
Boosting	弱学习器顺序训练，后续模型修正前面错误/残差	降低偏差，构造强学习器	sequential、focus on errors、XGBoost/LightGBM/CatBoost
Stacking	不同基础模型的预测作为 meta-model 输入	学习如何组合异质模型优势	logistic + tree + SVM，再用二级模型融合
Voting	直接多数投票或概率平均，没有学习二级组合器	简单稳健的融合	majority vote、weighted average

第 15 题：“多个不同类型模型的预测作为另一个模型的输入”是 stacking。Bagging 的关键不是“用了多个模型”，而是 bootstrap + 并行 + 通常同类学习器。

你的错题校准

重点修正能迁移到新题的判断规则，而不是背原题答案。

Q27 · 欺诈 + 极端不平衡 + boosting

选 XGBoost，但理由要完整

它满足“监督二分类 + 非线性表格 + boosting”，并提供 scale_pos_weight 与实例权重。XGBoost 不会仅因名称自动解决不平衡；仍需设置权重、选指标和调阈值。

Q28 · 流失 + 四个候选

Linear Learner 是候选集内唯一监督分类器

RCF、K-Means、NTM 都不使用 churn 标签。Linear Learner 可用 positive_example_weight_mult 处理二分类正例权重，但题干的“强类别-数值交互”并不是线性模型优势；若 XGBoost/CatBoost 在选项中，应重新比较。

Q48 · 预测性维护

先问到底预测什么

无标签传感器异常分数选 RCF；大量设备未来标量轨迹选 DeepAR；已有故障标签选分类器；剩余寿命是回归。不能从“预测性维护”四个字直接跳到 DeepAR。

Q50 · 不平衡二分类指标

按题目问法选择指标

若题目要求直接理解 FP/FN，precision/recall 与 confusion matrix 最贴切。ROC-AUC 仍是有效的跨阈值排序指标，并非错误概念；只是该题限定选择两项且强调具体错误类型。

其余错题属于邻近能力，不是算法路由

错题	实际考点	一句纠偏
Q13	Pipelines 编排	CallbackStep 让管道等待外部 Glue 工作流完成；它不是模型选择。
Q18	可解释性	单样本 Shapley 是 local；PDP 展示数据集层面的边际趋势，是 global。
Q25	优化稳定性	训练与验证损失都高且振荡，先怀疑 learning rate 过高并降低它。
Q32	模型改进优先级	先诊断数据/特征和训练问题，再扩大昂贵的 HPO 搜索。
Q37	模型治理	Model Registry 用 model group 与 model version 管理模型，不用 S3/ECR/tags 代替。
Q46	IAM	SageMaker notebook 使用 IAM role；IAM group 只能包含用户，不能附给计算资源。
Q59	Clarify 偏差	CDD 比较给定条件下不同群组标签结果的差异。
Q60	训练输入模式	FastFile 是 S3 输入模式，不能与 FSx 路径组合；给定选项中 Pipe 才成立。

官方来源

算法清单与关键参数以 AWS 当前文档为准。

说明：本页把 MXNet/TensorFlow 的图像实现合并成三个视觉任务族来记忆，但在详情中保留实现差异。SageMaker JumpStart 的预训练模型范围更广，不应与“经典内置算法目录”混为一张死记清单。