O Google usa tecnologia de IA na tradução de conteúdos para seu idioma de preferência. As traduções com IA podem ter erros.

Visão geral da classificação

Um caso de uso comum do aprendizado de máquina é a classificação de novos dados usando um modelo treinado em dados rotulados semelhantes. Por exemplo, você pode prever se um e-mail é spam ou se a avaliação de um produto feita por um 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 árvores aprimoradas: 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 de amplitude e profundidade: use aprendizado profundo e amplo 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.

Outra opção é usar a função AI.PREDICT para classificar dados usando o modelo TabFM integrado. É possível avaliar o desempenho do modelo usando a função AI.EVALUATE.

Conhecimento recomendado

Usando as configurações padrão nas instruções CREATE MODEL e a 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 seus dados e seu modelo para gerar resultados melhores. Recomendamos usar os seguintes recursos para se familiarizar com técnicas e processos de ML: