Esta página foi traduzida pela API Cloud Translation.

Vista geral da classificação

Um exemplo de utilização comum da aprendizagem automática é a classificação de novos dados através de um modelo preparado com dados etiquetados semelhantes. Por exemplo, pode querer prever se um email é spam ou se uma crítica de um produto de um cliente é positiva, negativa ou neutra.

Pode usar qualquer um dos seguintes modelos em combinação com a função ML.PREDICT para realizar a classificação:

Modelos de regressão logística: use regressão logística definindo a opção MODEL_TYPE como LOGISTIC_REG.
Modelos de árvores com reforço: use uma árvore de decisão com reforço de 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 amplos e profundos: use aprendizagem ampla e avançada 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.

Conhecimentos recomendados

Ao usar as predefinições nas declarações CREATE MODEL e na função ML.PREDICT, pode criar e usar um modelo de classificação mesmo sem muitos conhecimentos de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de ML ajuda a otimizar os dados e o modelo para oferecer melhores resultados. Recomendamos que use os seguintes recursos para desenvolver familiaridade com as técnicas e os processos de ML: