Masz oznakowany zbiór danych zawierający 1200 produktów, z których każdy jest opisany 15 cechami numerycznymi (tytuł, wymiary, waga, cena itp.) i przypisany do jednej z sześciu kategorycznych klas produktów. Który model jest najbardziej odpowiedni do wytrenowania w celu klasyfikowania nowych produktów przy użyciu tego zbioru danych?

XGBoost jest doskonałym wyborem dla tego problemu klasyfikacji wieloklasowej. Dane składają się z 15 cech numerycznych i 6 klas kategorycznych, co idealnie pasuje do algorytmów opartych na drzewach decyzyjnych, takich jak XGBoost. Ustawienie objective = multi:softmax jest właściwe dla klasyfikacji wieloklasowej, gdzie każda instancja należy do dokładnie jednej klasy. Głęboka konwolucyjna sieć neuronowa (CNN) jest zazwyczaj używana do danych o strukturze siatki, takich jak obrazy, a nie do danych tabelarycznych z cechami numerycznymi. Las regresyjny jest przeznaczony do zadań regresji (przewidywania wartości ciągłych), a nie klasyfikacji (przewidywania dyskretnych klas). Model DeepAR recurrent neural network jest używany do prognozowania szeregów czasowych, co nie ma zastosowania w tym scenariuszu klasyfikacji produktów.