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 vouloir prédire si un e-mail est du spam ou si un avis 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_TYPE sur LOGISTIC_REG.
• Modèles en arbre de décision à boosting : utilisez un arbre de décision à boosting de gradient en définissant l'option MODEL_TYPE sur BOOSTED_TREE_CLASSIFIER.
• Modèles de forêt d'arbres décisionnels : utilisez une forêt d'arbres décisionnels en définissant l'option MODEL_TYPE sur RANDOM_FOREST_CLASSIFIER.
• Modèles de réseau de neurones profond (DNN) : utilisez un réseau de neurones en définissant l'option MODEL_TYPE sur DNN_CLASSIFIER.
• Modèles wide et deep learning : utilisez le wide et deep learning en définissant l'option MODEL_TYPE sur DNN_LINEAR_COMBINED_CLASSIFIER.
• Modèles AutoML : utilisez un modèle de classification AutoML en définissant l'option MODEL_TYPE sur AUTOML_CLASSIFIER.

Connaissances recommandées

En utilisant les paramètres par défaut des instructions CREATE MODEL et de la fonction ML.PREDICT, vous pouvez créer et utiliser un modèle de classification, même sans beaucoup de connaissances en ML. Toutefois, disposer de connaissances de base sur le développement du ML vous aide à optimiser 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