Tiene un conjunto de datos etiquetados de 1200 productos, cada uno descrito por 15 características numéricas (título, dimensiones, peso, precio, etc.) y asignado a una de seis clases de productos categóricas. ¿Qué modelo es el más apropiado para entrenar y clasificar nuevos productos usando este conjunto de datos?

XGBoost es un algoritmo de boosting de árboles que sobresale en problemas de clasificación estructurados, como este, donde las características numéricas describen productos y se busca una clasificación multiclase. Configurar objective = multi:softmax lo hace adecuado para predecir una de las seis clases de productos. Una CNN es más apropiada para datos con estructura espacial, como imágenes, no para características tabulares. Un bosque de regresión se usa para predecir valores continuos, no categorías discretas. DeepAR es un modelo de pronóstico de series temporales, no para clasificación de datos estáticos.