Übersicht zur Klassifizierung
Ein häufiger Anwendungsfall für maschinelles Lernen ist die Klassifizierung neuer Daten mithilfe eines Modells, das mit ähnlichen gelabelten Daten trainiert wurde. Sie möchten beispielsweise vorhersagen, ob eine E‑Mail Spam ist oder ob eine Kundenrezension zu einem Produkt positiv, negativ oder neutral ist.
Sie können eines der folgenden Modelle in Kombination mit der
ML.PREDICT Funktion
verwenden, um eine Klassifizierung durchzuführen:
- Logistische Regressionsmodelle:
verwenden Sie
die logistische Regression
, indem Sie die Option
MODEL_TYPEaufLOGISTIC_REGsetzen. - Boosted Tree-Modelle:
Verwenden Sie einen
Gradient Boosted-Entscheidungsbaum
, indem Sie die Option
MODEL_TYPEaufBOOSTED_TREE_CLASSIFIERsetzen. - Random Forest-Modelle:
Verwenden Sie einen
Random Forest
, indem Sie die Option
MODEL_TYPEaufRANDOM_FOREST_CLASSIFIERsetzen. - Modelle mit neuronalem Deep-Learning-Netzwerk (DNN):
Verwenden Sie ein
neuronales Netzwerk
, indem Sie die Option
MODEL_TYPEaufDNN_CLASSIFIERsetzen. - Wide & Deep-Modelle:
Verwenden Sie
Wide & Deep Learning
, indem Sie die Option
MODEL_TYPEaufDNN_LINEAR_COMBINED_CLASSIFIERsetzen. - AutoML-Modelle:
Verwenden Sie ein
AutoML-Klassifizierungsmodell
indem Sie die Option
MODEL_TYPEaufAUTOML_CLASSIFIERsetzen.
Alternativ können Sie die
AI.PREDICT Funktion
verwenden, um Daten mit dem integrierten TabFM-Modell zu klassifizieren. Sie können die
Leistung des Modells mit der
AI.EVALUATE Funktion bewerten.
Empfohlenes Wissen
Mit den Standardeinstellungen in den CREATE MODEL-Anweisungen und der Funktion ML.PREDICT können Sie auch ohne viel ML-Wissen ein Klassifizierungsmodell erstellen und verwenden. Grundkenntnisse in der ML-Entwicklung helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen Ihnen, sich mit den folgenden Ressourcen mit ML-Techniken und ‑Prozessen vertraut zu machen:
- Crashkurs „Maschinelles Lernen“
- Einführung in das maschinelle Lernen
- Maschinelles Lernen für Fortgeschrittene