Panoramica della classificazione
Un caso d'uso comune per il machine learning è la classificazione di nuovi dati utilizzando un modello addestrato su dati etichettati simili. Ad esempio, potresti voler prevedere se un'email è spam o se una recensione di un prodotto di un cliente è positiva, negativa o neutra.
Puoi utilizzare uno dei seguenti modelli in combinazione con la
ML.PREDICT funzione
per eseguire la classificazione:
- Modelli di regressione logistica:
utilizza
la regressione logistica
impostando l'opzione
MODEL_TYPEsuLOGISTIC_REG. - Modelli di alberi potenziati:
utilizza un
albero decisionale con potenziamento del gradiente
impostando l'opzione
MODEL_TYPEsuBOOSTED_TREE_CLASSIFIER. - Modelli di foreste casuali:
utilizza una
foresta casuale
impostando l'opzione
MODEL_TYPEsuRANDOM_FOREST_CLASSIFIER. - Modelli di reti neurali profonde (DNN):
utilizza una
rete neurale
impostando l'opzione
MODEL_TYPEsuDNN_CLASSIFIER. - Modelli Wide and Deep:
utilizza il
Wide and Deep learning
impostando l'opzione
MODEL_TYPEsuDNN_LINEAR_COMBINED_CLASSIFIER. - Modelli AutoML:
utilizza un
modello di classificazione AutoML
impostando l'opzione
MODEL_TYPEsuAUTOML_CLASSIFIER.
In alternativa, puoi utilizzare la
AI.PREDICT funzione
per classificare i dati utilizzando il modello TabFM integrato. Puoi valutare le
prestazioni del modello utilizzando la
AI.EVALUATE funzione.
Conoscenze consigliate
Utilizzando le impostazioni predefinite nelle istruzioni CREATE MODEL e nella funzione ML.PREDICT, puoi creare e utilizzare un modello di classificazione anche senza molte conoscenze di machine learning. Tuttavia, avere conoscenze di base sullo sviluppo di machine learning ti aiuta a ottimizzare sia i dati sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di machine learning: