Regression – Übersicht
Ein häufiger Anwendungsfall für maschinelles Lernen ist die Vorhersage des Werts eines numerischen Messwerts für neue Daten mithilfe eines Modells, das mit ähnlichen Verlaufsdaten trainiert wurde. Beispielsweise möchten Sie möglicherweise den erwarteten Verkaufspreis eines Hauses vorhersagen. Wenn Sie den Standort und die Merkmale des Hauses als Features verwenden, können Sie dieses Haus mit ähnlichen Häusern vergleichen, die bereits verkauft wurden, und anhand ihrer Verkaufspreise den Verkaufspreis des Hauses schätzen.
Sie können eines der folgenden Modelle in Kombination mit der
ML.PREDICT Funktion
verwenden, um eine Regression durchzuführen:
- Lineare Regressionsmodelle:
verwenden Sie
die lineare Regression
, indem Sie die Option
MODEL_TYPEaufLINEAR_REGsetzen. - Boosted Tree-Modelle:
Verwenden Sie einen
Gradient Boosted-Entscheidungsbaum
indem Sie die
MODEL_TYPEOption aufBOOSTED_TREE_REGRESSORsetzen. - Random Forest-Modelle:
Verwenden Sie einen
Random Forest
, indem Sie die Option
MODEL_TYPEaufRANDOM_FOREST_REGRESSORsetzen. - Modelle mit neuronalem Deep-Learning-Netzwerk (DNN):
Verwenden Sie ein
neuronales Netzwerk
, indem Sie die Option
MODEL_TYPEaufDNN_REGRESSORsetzen. - Wide & Deep-Modelle:
Verwenden Sie
Wide & Deep Learning
, indem Sie die Option
MODEL_TYPEaufDNN_LINEAR_COMBINED_REGRESSORsetzen. - AutoML-Modelle:
Verwenden Sie ein
AutoML-Klassifizierungsmodell
indem Sie die Option
MODEL_TYPEaufAUTOML_REGRESSORsetzen.
Alternativ können Sie die
AI.PREDICT Funktion
verwenden, um eine Regression mit dem integrierten TabFM-Modell durchzuführen. Mit der
FunktionAI.EVALUATE können Sie die
Leistung des Modells bewerten.
Empfohlenes Wissen
Mit den Standardeinstellungen in den CREATE MODEL-Anweisungen und der Funktion ML.PREDICT können Sie auch ohne viel ML-Wissen ein Regressionsmodell erstellen und verwenden. Grundkenntnisse in der ML-Entwicklung helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen Ihnen, sich mit den folgenden Ressourcen mit ML-Techniken und ‑Prozessen vertraut zu machen: