Sie haben einen gelabelten Datensatz von 1.200 Produkten, die jeweils durch 15 numerische Merkmale (Titel, Abmessungen, Gewicht, Preis usw.) beschrieben und einer von sechs kategorialen Produktklassen zugeordnet sind. Welches Modell ist am besten geeignet, um neue Produkte mithilfe dieses Datensatzes zu klassifizieren?

XGBoost ist eine leistungsstarke und effiziente Implementierung von Gradient Boosting, die sich hervorragend für tabellarische Daten wie die hier beschriebenen 15 numerischen Merkmale eignet. Die Konfiguration objective = multi:softmax ist speziell für Multiklassen-Klassifizierungsprobleme vorgesehen, bei denen ein Element einer von mehreren diskreten Klassen zugeordnet werden muss. Die relativ geringe Anzahl von 1.200 Datenpunkten ist für XGBoost gut handhabbar. Ein Convolutional Neural Network (CNN) ist primär für räumliche Daten wie Bilder konzipiert und wäre für diesen tabellarischen Datensatz ungeeignet. Ein Regressionswald wird für Regressionsprobleme verwendet, bei denen ein kontinuierlicher Wert vorhergesagt wird, nicht für kategoriale Klassifizierung. DeepAR ist ein Recurrent Neural Network (RNN) für Zeitreihenprognosen und daher für dieses Klassifizierungsproblem nicht relevant.