Você tem um conjunto de dados rotulado de 1.200 produtos, cada um descrito por 15 características numéricas (título, dimensões, peso, preço, etc.) e atribuído a uma das seis classes de produtos categóricas. Qual modelo é o mais apropriado para treinar para classificar novos produtos usando este conjunto de dados?

XGBoost é uma escolha robusta e eficiente para problemas de classificação multiclasse com dados tabulares, como o conjunto de dados de 1.200 produtos com 15 características numéricas. A configuração objective = multi:softmax é a correta para classificação multiclasse, onde cada instância pertence a exatamente uma classe. Uma CNN é mais adequada para dados com estrutura espacial, como imagens, e não para dados tabulares numéricos. Uma floresta de regressão é usada para problemas de regressão (prever um valor contínuo), não para classificação categórica. O modelo DeepAR é projetado para previsão de séries temporais, o que não se aplica a este problema de classificação de produtos.