Vous disposez d'un ensemble de données étiquetées de 1 200 produits, chacun décrit par 15 caractéristiques numériques (titre, dimensions, poids, prix, etc.) et attribué à l'une des six classes de produits catégorielles. Quel modèle est le plus approprié pour entraîner la classification de nouveaux produits à l'aide de cet ensemble de données ?

XGBoost est un algorithme d'apprentissage par arbre de décision ensembliste, très efficace pour les données tabulaires et les problèmes de classification multiclasse. Avec 1 200 échantillons et 15 caractéristiques numériques, il peut apprendre des relations complexes sans surapprentissage excessif. L'objectif multi:softmax est spécifiquement conçu pour la classification multiclasse. Un réseau neuronal convolutif (CNN) est principalement utilisé pour les données spatiales comme les images, et non pour les données tabulaires structurées. Un réseau neuronal récurrent (RNN) DeepAR est destiné à la prévision de séries temporelles, ce qui n'est pas le cas ici. Une forêt de régression est utilisée pour la prédiction de valeurs continues, pas pour la classification catégorielle.