Ringkasan klasifikasi

Kasus penggunaan umum untuk machine learning adalah mengklasifikasikan data baru menggunakan model yang dilatih pada data berlabel serupa. Misalnya, Anda mungkin ingin memprediksi apakah email adalah spam, atau apakah ulasan produk pelanggan bersifat positif, negatif, atau netral.

Anda dapat menggunakan salah satu model berikut bersama dengan fungsi ML.PREDICT untuk melakukan klasifikasi:

• Model regresi logistik: menggunakan regresi logistik dengan menyetel opsi MODEL_TYPE ke LOGISTIC_REG.
• Model pohon penguatan: menggunakan pohon keputusan penguatan gradien dengan menyetel opsi MODEL_TYPE ke BOOSTED_TREE_CLASSIFIER.
• Model hutan acak: menggunakan hutan acak dengan menyetel opsi MODEL_TYPE ke RANDOM_FOREST_CLASSIFIER.
• Model deep neural network (DNN): menggunakan jaringan neural dengan menyetel opsi MODEL_TYPE ke DNN_CLASSIFIER.
• Model Wide & Deep: gunakan wide & deep learning dengan menyetel opsi MODEL_TYPE ke DNN_LINEAR_COMBINED_CLASSIFIER.
• Model AutoML: gunakan model klasifikasi AutoML dengan menyetel opsi MODEL_TYPE ke AUTOML_CLASSIFIER.

Atau, Anda dapat menggunakan fungsi AI.PREDICT untuk mengklasifikasikan data menggunakan model TabFM bawaan. Anda dapat mengevaluasi performa model menggunakan fungsi AI.EVALUATE.

Informasi yang direkomendasikan

Dengan menggunakan setelan default dalam pernyataan CREATE MODEL dan fungsi ML.PREDICT, Anda dapat membuat dan menggunakan model klasifikasi meskipun tanpa banyak pengetahuan ML. Namun, memiliki pengetahuan dasar tentang pengembangan ML membantu Anda mengoptimalkan data dan model untuk memberikan hasil yang lebih baik. Sebaiknya gunakan referensi berikut untuk mengembangkan pemahaman tentang teknik dan proses ML:

• Kursus Singkat Machine Learning
• Pengantar Machine Learning
• Intermediate Machine Learning