סקירה כללית על סיווג

תרחיש נפוץ לשימוש בלמידת מכונה הוא סיווג של נתונים חדשים באמצעות מודל שאומן על נתונים דומים עם תוויות. לדוגמה, יכול להיות שתרצו לחזות אם אימייל הוא ספאם, או אם ביקורת של לקוח על מוצר היא חיובית, שלילית או ניטרלית.

אפשר להשתמש בכל אחד מהמודלים הבאים בשילוב עם הפונקציה ML.PREDICT כדי לבצע סיווג:

• מודלים של רגרסיה לוגיסטית: כדי להשתמש ברגרסיה לוגיסטית, צריך להגדיר את האפשרות MODEL_TYPE לערך LOGISTIC_REG.
• מודלים של עצים משופרים: משתמשים בעץ החלטות עם שיפור גרדיאנט על ידי הגדרת האפשרות MODEL_TYPE לערך BOOSTED_TREE_CLASSIFIER.
• מודלים של יער אקראי: משתמשים ביער אקראי על ידי הגדרת האפשרות MODEL_TYPE לערך RANDOM_FOREST_CLASSIFIER.
• מודלים של רשתות נוירונים עמוקות (DNN): משתמשים ברשת נוירונים על ידי הגדרת האפשרות MODEL_TYPE לערך DNN_CLASSIFIER.
• מודלים עמוקים בהקשר רחב: משתמשים בלמידה עמוקה בהקשר רחב על ידי הגדרת האפשרות MODEL_TYPE לערך DNN_LINEAR_COMBINED_CLASSIFIER.
• מודלים של AutoML: משתמשים במודל סיווג של AutoML על ידי הגדרת האפשרות MODEL_TYPE לערך AUTOML_CLASSIFIER.

לחלופין, אפשר להשתמש בפונקציה AI.PREDICT כדי לסווג נתונים באמצעות מודל TabFM המובנה. כדי להעריך את הביצועים של המודל, אפשר להשתמש בפונקציה AI.EVALUATE.

מידע מומלץ

באמצעות הגדרות ברירת המחדל בהצהרות CREATE MODEL ובפונקציה ML.PREDICT, אפשר ליצור מודל סיווג ולהשתמש בו גם בלי ידע רב ב-ML. עם זאת, ידע בסיסי בפיתוח ML עוזר לכם לבצע אופטימיזציה של הנתונים ושל המודל כדי להשיג תוצאות טובות יותר. כדי להכיר את הטכניקות והתהליכים של ML, מומלץ להשתמש במקורות המידע הבאים:

• קורס מקוצר על למידת מכונה
• מבוא ללמידת מכונה
• למידת מכונה ברמה בינונית