Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Présentation de la classification

Un cas d'utilisation courant du machine learning consiste à classer de nouvelles données à l'aide d'un modèle entraîné sur des données étiquetées similaires. Par exemple, vous pouvez prédire si un e-mail est un spam ou si un avis client sur un produit est positif, négatif ou neutre.

Vous pouvez utiliser l'un des modèles suivants en combinaison avec la ML.PREDICT fonction pour effectuer une classification :

Modèles de régression logistique : utilisez la régression logistique en définissant l'option MODEL_TYPE sur LOGISTIC_REG.
Modèles en arbre de décision à boosting de gradient: utilisez un arbre de décision à boosting de gradient en définissant l'option MODEL_TYPE sur BOOSTED_TREE_CLASSIFIER.
Modèles de forêt d'arbres décisionnels: utilisez une forêt d'arbres décisionnels en définissant l'option MODEL_TYPE sur RANDOM_FOREST_CLASSIFIER.
Modèles de réseau de neurones profond (DNN) : utilisez un réseau de neurones en définissant l'option MODEL_TYPE sur DNN_CLASSIFIER.
Modèles wide et deep learning: utilisez des modèles wide et deep learning en définissant l'option MODEL_TYPE sur DNN_LINEAR_COMBINED_CLASSIFIER.
Modèles AutoML: utilisez un modèle de classification AutoML en définissant l'option MODEL_TYPE sur AUTOML_CLASSIFIER.

Vous pouvez également utiliser la AI.PREDICT fonction pour classer les données à l'aide du modèle TabFM intégré. Vous pouvez évaluer les performances du modèle à l'aide de la AI.EVALUATE fonction.

Connaissances recommandées

En utilisant les paramètres par défaut dans les instructions CREATE MODEL et la fonction ML.PREDICT, vous pouvez créer et utiliser un modèle de classification même sans grandes connaissances en ML. Toutefois, des connaissances de base sur le développement de ML vous aident à optimiser vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML :