Présentation de la classification
Un cas d'utilisation courant du machine learning consiste à classer de nouvelles données à l'aide d'un modèle entraîné sur des données étiquetées similaires. Par exemple, vous pouvez prédire si un e-mail est du spam ou si un avis client sur un produit est positif, négatif ou neutre.
Vous pouvez utiliser l'un des modèles suivants en combinaison avec la fonction ML.PREDICT pour effectuer une classification :
- Modèles de régression logistique : utilisez la régression logistique en définissant l'option
MODEL_TYPEsurLOGISTIC_REG. - Modèles en arbre de décision à boosting : utilisez un arbre de décision à boosting de gradient en définissant l'option
MODEL_TYPEsurBOOSTED_TREE_CLASSIFIER. - Modèles de forêt d'arbres décisionnels : utilisez une forêt d'arbres décisionnels en définissant l'option
MODEL_TYPEsurRANDOM_FOREST_CLASSIFIER. - Modèles de réseau de neurones profond (DNN) : utilisent un réseau de neurones en définissant l'option
MODEL_TYPEsurDNN_CLASSIFIER. - Modèles Wide & Deep : utilisez le wide et deep learning en définissant l'option
MODEL_TYPEsurDNN_LINEAR_COMBINED_CLASSIFIER. - Modèles AutoML : utilisez un modèle de classification AutoML en définissant l'option
MODEL_TYPEsurAUTOML_CLASSIFIER.
Connaissances recommandées
En utilisant les paramètres par défaut dans les instructions CREATE MODEL et la fonction ML.PREDICT, vous pouvez créer et utiliser un modèle de classification même sans grandes connaissances en ML. Toutefois, des connaissances de base sur le développement du ML vous aideront à optimiser à la fois vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML :
- Cours d'initiation au machine learning
- Présentation du machine learning
- Machine learning intermédiaire