Visão geral da classificação

Um caso de uso comum para o aprendizado de máquina é classificar novos dados usando um modelo treinado com dados rotulados semelhantes. Por exemplo, você pode querer prever se um e-mail é spam ou se uma avaliação de produto do cliente é positiva, negativa ou neutra.

É possível usar qualquer um dos modelos a seguir em combinação com a função ML.PREDICT para realizar a classificação:

• Modelos de regressão logística: use a regressão logística definindo a opção MODEL_TYPE como LOGISTIC_REG.
• Modelos de árvore otimizada: use uma árvore de decisão aprimorada por gradiente definindo a opção MODEL_TYPE como BOOSTED_TREE_CLASSIFIER.
• Modelos de floresta aleatória: use uma floresta aleatória definindo a opção MODEL_TYPE como RANDOM_FOREST_CLASSIFIER.
• Modelos de rede neural profunda (DNN): use uma rede neural definindo a opção MODEL_TYPE como DNN_CLASSIFIER.
• Modelos amplos e profundos: use aprendizado amplo e profundo definindo a opção MODEL_TYPE como DNN_LINEAR_COMBINED_CLASSIFIER.
• Modelos do AutoML: use um modelo de classificação do AutoML definindo a opção MODEL_TYPE como AUTOML_CLASSIFIER.

Conhecimento recomendado

Usando as configurações padrão nas instruções CREATE MODEL e na função ML.PREDICT, é possível criar e usar um modelo de classificação mesmo sem muito conhecimento de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de ML ajuda a otimizar os dados e o modelo para obter melhores resultados. Recomendamos o uso dos seguintes recursos para se familiarizar com as técnicas e os processos de ML:

• Curso intensivo de machine learning
• Introdução ao aprendizado de máquina
• Aprendizado de máquina intermediário