Descripción general de la regresión
Un caso de uso común para el aprendizaje automático es predecir el valor de una métrica numérica para datos nuevos con un modelo entrenado en datos históricos similares. Por ejemplo, es posible que desees predecir el precio de venta esperado de una casa. Si usas la ubicación y las características de la casa como atributos, puedes compararla con casas similares que ya se vendieron y usar sus precios de venta para estimar el precio de venta de la casa.
Puedes usar cualquiera de los siguientes modelos en combinación con la
ML.PREDICT función
para realizar una regresión:
- Modelos de regresión lineal:
usa
la regresión lineal
configurando la opción
MODEL_TYPEenLINEAR_REG. - Modelos de árbol mejorado:
usa un
árbol de decisión mejorado con gradientes
configurando la opción
MODEL_TYPEenBOOSTED_TREE_REGRESSOR. - Modelos de bosque aleatorio:
Usa un
bosque aleatorio
configurando la opción
MODEL_TYPEenRANDOM_FOREST_REGRESSOR. - Modelos de red neuronal profunda (DNN):
Usa una
red neuronal
configurando la opción
MODEL_TYPEenDNN_REGRESSOR. - Modelos de Wide & Deep:
usa
aprendizaje profundo y amplio
configurando la opción
MODEL_TYPEenDNN_LINEAR_COMBINED_REGRESSOR. - Modelos de AutoML:
usa un
modelo de clasificación de AutoML
configurando la opción
MODEL_TYPEenAUTOML_REGRESSOR.
Como alternativa, puedes usar la
AI.PREDICT función
para realizar una regresión con el modelo TabFM integrado. Puedes evaluar el
rendimiento del modelo con la
AI.EVALUATE función.
Conocimiento recomendado
Si usas la configuración predeterminada en las instrucciones CREATE MODEL y la función ML.PREDICT, puedes crear y usar un modelo de regresión incluso sin mucho conocimiento de AA. Sin embargo, tener conocimientos básicos sobre el desarrollo de AA te ayuda a optimizar tus datos y tu modelo para ofrecer mejores resultados. Te recomendamos que uses los siguientes recursos para familiarizarte con las técnicas y los procesos de AA: