O Google usa tecnologia de IA na tradução de conteúdos para seu idioma de preferência. As traduções com IA podem ter erros.

Visão geral da classificação

Um caso de uso comum para machine learning é a classificação de novos dados usando um modelo treinado em dados rotulados semelhantes. Por exemplo, talvez você queira prever se um e-mail é spam ou se a avaliação de um produto do cliente é positiva, negativa ou neutra.

É possível usar qualquer um dos modelos a seguir em combinação com a ML.PREDICT função para realizar a classificação:

Modelos de regressão logística: use a regressão logística definindo a opção MODEL_TYPE como LOGISTIC_REG.
Modelos de árvore otimizada: use uma árvore de decisão aprimorada por gradiente definindo a opção MODEL_TYPE como BOOSTED_TREE_CLASSIFIER.
Modelos de floresta aleatória: use uma floresta aleatória definindo a opção MODEL_TYPE como RANDOM_FOREST_CLASSIFIER.
Modelos de rede neural profunda (DNN): use uma rede neural definindo a opção MODEL_TYPE como DNN_CLASSIFIER.
Modelos profundos e amplos: use aprendizado profundo e amplo definindo a opção MODEL_TYPE como DNN_LINEAR_COMBINED_CLASSIFIER.
Modelos do AutoML: use um modelo de classificação do AutoML definindo a opção MODEL_TYPE como AUTOML_CLASSIFIER.

Como alternativa, você pode usar a AI.PREDICT função para classificar dados usando o modelo TabFM integrado. É possível avaliar a performance do modelo usando a AI.EVALUATE função.

Conhecimento recomendado

Ao usar as configurações padrão nas instruções CREATE MODEL e na função ML.PREDICT, é possível criar e usar um modelo de classificação mesmo sem muito conhecimento de ML. No entanto, ter conhecimento básico sobre o desenvolvimento de ML ajuda a otimizar os dados e o modelo para oferecer melhores resultados. Recomendamos usar os recursos a seguir para se familiarizar com as técnicas e os processos de ML: