Hai un dataset etichettato di 1.200 prodotti, ciascuno descritto da 15 caratteristiche numeriche (titolo, dimensioni, peso, prezzo, ecc.) e assegnato a una delle sei classi di prodotto categoriche. Quale modello è più appropriato addestrare per classificare nuovi prodotti usando questo dataset?

XGBoost è un algoritmo di machine learning basato su alberi di decisione che eccelle nella classificazione su dati tabulari, come quelli descritti (15 caratteristiche numeriche per 1.200 prodotti). La configurazione objective = multi:softmax è specificamente progettata per problemi di classificazione multiclasse, che è esattamente ciò che si richiede per le sei classi di prodotto. Le CNN sono ideali per dati con struttura spaziale (immagini), non per dati tabulari. Una regression forest è usata per problemi di regressione (previsione di valori continui), non per la classificazione di categorie discrete. DeepAR è un modello di previsione per serie temporali, non adatto per la classificazione di prodotti basata su caratteristiche statiche.