Klassifizierung – Übersicht

Ein gängiger Anwendungsfall für maschinelles Lernen ist die Klassifizierung neuer Daten mithilfe eines Modells, das mit ähnlichen beschrifteten Daten trainiert wurde. Sie können beispielsweise vorhersagen, ob es sich bei einer E-Mail um Spam handelt oder ob eine Kundenrezension positiv, negativ oder neutral ist.

Sie können eines der folgenden Modelle in Kombination mit der Funktion ML.PREDICT verwenden, um eine Klassifizierung durchzuführen:

• Logistische Regressionsmodelle: Verwenden Sie die logistische Regression, indem Sie die Option MODEL_TYPE auf LOGISTIC_REG festlegen.
• Boosted Tree-Modelle: Verwenden Sie einen Gradient Boosted-Entscheidungsbaum, indem Sie die Option MODEL_TYPE auf BOOSTED_TREE_CLASSIFIER festlegen.
• Random Forest-Modelle: Verwenden Sie einen Random Forest, indem Sie die Option MODEL_TYPE auf RANDOM_FOREST_CLASSIFIER festlegen.
• Modelle mit neuronalem Deep-Learning-Netzwerk (DNN): Verwenden Sie ein neuronales Netzwerk, indem Sie die Option MODEL_TYPE auf DNN_CLASSIFIER festlegen.
• Wide & Deep-Modelle: Verwenden Sie Wide & Deep Learning, indem Sie die Option MODEL_TYPE auf DNN_LINEAR_COMBINED_CLASSIFIER festlegen.
• AutoML-Modelle: Verwenden Sie ein AutoML-Klassifizierungsmodell, indem Sie die Option MODEL_TYPE auf AUTOML_CLASSIFIER festlegen.

Empfohlene Kenntnisse

Mit den Standardeinstellungen in den CREATE MODEL-Anweisungen und der ML.PREDICT-Funktion können Sie auch ohne viel ML-Kenntnisse ein Klassifizierungsmodell erstellen und verwenden. Grundlegende Kenntnisse zur ML-Entwicklung helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen die folgenden Ressourcen, um sich mit ML-Techniken und -Prozessen vertraut zu machen:

• Crashkurs „Maschinelles Lernen“
• Einführung in maschinelles Lernen
• Fortgeschrittene Kenntnisse in Machine Learning