Esta página se ha traducido con Cloud Translation API.

Información general sobre la clasificación

Un caso práctico habitual del aprendizaje automático es clasificar datos nuevos mediante un modelo entrenado con datos etiquetados similares. Por ejemplo, puede que quieras predecir si un correo es spam o si la reseña de un producto de un cliente es positiva, negativa o neutra.

Puedes usar cualquiera de los siguientes modelos en combinación con la función ML.PREDICT para realizar clasificaciones:

Modelos de regresión logística: usa la regresión logística definiendo la opción MODEL_TYPE como LOGISTIC_REG.
Modelos de tipo "boosted tree": usa un árbol de decisión con refuerzo de gradiente definiendo la opción MODEL_TYPE como BOOSTED_TREE_CLASSIFIER.
Modelos de bosque aleatorio: usan un bosque aleatorio si se define la opción MODEL_TYPE como RANDOM_FOREST_CLASSIFIER.
Modelos de red neuronal profunda (DNN): usan una red neuronal al definir la opción MODEL_TYPE en DNN_CLASSIFIER.
Modelos profundos y amplios: usa aprendizaje profundo y amplio si asignas el valor DNN_LINEAR_COMBINED_CLASSIFIER a la opción MODEL_TYPE.
Modelos de AutoML: usa un modelo de clasificación de AutoML definiendo la opción MODEL_TYPE como AUTOML_CLASSIFIER.

Conocimientos recomendados

Si usas la configuración predeterminada en las instrucciones CREATE MODEL y la función ML.PREDICT, puedes crear y usar un modelo de clasificación aunque no tengas muchos conocimientos de aprendizaje automático. Sin embargo, tener conocimientos básicos sobre el desarrollo de aprendizaje automático te ayuda a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que utilices los siguientes recursos para familiarizarte con las técnicas y los procesos de aprendizaje automático: