Panoramica della classificazione

Un caso d'uso comune per il machine learning è la classificazione di nuovi dati utilizzando un modello addestrato su dati etichettati simili. Ad esempio, potresti voler prevedere se un'email è spam o se la recensione di un prodotto da parte di un cliente è positiva, negativa o neutra.

Puoi utilizzare uno qualsiasi dei seguenti modelli in combinazione con la funzione ML.PREDICT per eseguire la classificazione:

• Modelli di regressione logistica: utilizza la regressione logistica impostando l'opzione MODEL_TYPE su LOGISTIC_REG.
• Modelli boosted tree: utilizza un albero decisionale con boosting del gradiente impostando l'opzione MODEL_TYPE su BOOSTED_TREE_CLASSIFIER.
• Modelli di foresta casuale: utilizza una foresta casuale impostando l'opzione MODEL_TYPE su RANDOM_FOREST_CLASSIFIER.
• Modelli di rete neurale profonda (DNN): utilizza una rete neurale impostando l'opzione MODEL_TYPE su DNN_CLASSIFIER.
• Modelli Wide and Deep: utilizza l'apprendimento wide and deep impostando l'opzione MODEL_TYPE su DNN_LINEAR_COMBINED_CLASSIFIER.
• Modelli AutoML: utilizza un modello di classificazione AutoML impostando l'opzione MODEL_TYPE su AUTOML_CLASSIFIER.

In alternativa, puoi utilizzare la funzione AI.PREDICT per classificare i dati utilizzando il modello TabFM integrato. Puoi valutare le prestazioni del modello utilizzando la funzione AI.EVALUATE.

Conoscenze consigliate

Utilizzando le impostazioni predefinite nelle istruzioni CREATE MODEL e nella funzione ML.PREDICT, puoi creare e utilizzare un modello di classificazione anche senza molte conoscenze di ML. Tuttavia, avere una conoscenza di base dello sviluppo dell'ML ti aiuta a ottimizzare sia i dati sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di ML:

• Machine Learning Crash Course
• Introduzione al machine learning
• Machine learning intermedio