Descripción general de la clasificación

Un caso de uso común para el aprendizaje automático es clasificar datos nuevos con un modelo entrenado en datos etiquetados similares. Por ejemplo, es posible que quieras predecir si un correo electrónico es spam o si la opinión de un cliente sobre un producto es positiva, negativa o neutra.

Puedes usar cualquiera de los siguientes modelos en combinación con la ML.PREDICT función para realizar la clasificación:

• Modelos de regresión logística: usa la regresión logística configurando la opción MODEL_TYPE en LOGISTIC_REG.
• Modelos de árbol mejorado: usa un árbol de decisión mejorado con gradientes configurando la opción MODEL_TYPE en BOOSTED_TREE_CLASSIFIER.
• Modelos de bosque aleatorio: Usa un bosque aleatorio configurando la opción MODEL_TYPE en RANDOM_FOREST_CLASSIFIER.
• Modelos de red neuronal profunda (DNN): Usa una red neuronal configurando la opción MODEL_TYPE en DNN_CLASSIFIER.
• Modelos de Wide & Deep: usa el aprendizaje profundo y amplio configurando la opción MODEL_TYPE en DNN_LINEAR_COMBINED_CLASSIFIER.
• Modelos de AutoML: usa un modelo de clasificación de AutoML configurando la opción MODEL_TYPE en AUTOML_CLASSIFIER.

Como alternativa, puedes usar la AI.PREDICT función para clasificar datos con el modelo TabFM integrado. Puedes evaluar el rendimiento del modelo con la AI.EVALUATE función.

Conocimiento recomendado

Si usas la configuración predeterminada en las instrucciones CREATE MODEL y la función ML.PREDICT, puedes crear y usar un modelo de clasificación incluso sin mucho conocimiento de AA. Sin embargo, tener conocimientos básicos sobre el desarrollo de AA te ayuda a optimizar tus datos y tu modelo para ofrecer mejores resultados. Te recomendamos que uses los siguientes recursos para familiarizarte con las técnicas y los procesos de AA:

• Curso intensivo de aprendizaje automático
• Introducción al aprendizaje automático
• Aprendizaje automático intermedio