Google utilise la technologie IA pour traduire le contenu dans votre langue préférée. Les traductions générées par IA peuvent contenir des erreurs.

Présentation de la régression

Un cas d'utilisation courant du machine learning consiste à prédire la valeur d'une métrique numérique pour de nouvelles données à l'aide d'un modèle entraîné sur des données historiques similaires. Par exemple, vous pouvez prédire le prix de vente attendu d'une maison. En utilisant l'emplacement et les caractéristiques de la maison comme caractéristiques, vous pouvez comparer cette maison à des maisons similaires déjà vendues et utiliser leurs prix de vente pour estimer le prix de vente de la maison.

Vous pouvez utiliser l'un des modèles suivants en combinaison avec la ML.PREDICT fonction pour effectuer une régression :

Modèles de régression linéaire : utilisez la régression linéaire en définissant l'option MODEL_TYPE sur LINEAR_REG.
Modèles en arbre de décision à boosting de gradient: utilisez un arbre de décision à boosting de gradient en définissant l'option MODEL_TYPE sur BOOSTED_TREE_REGRESSOR.
Modèles de forêt d'arbres décisionnels : utilisez une forêt d'arbres décisionnels en définissant l'option MODEL_TYPE sur RANDOM_FOREST_REGRESSOR.
Modèles de réseau de neurones profond (DNN) : utilisez un réseau de neurones en définissant l'option MODEL_TYPE sur DNN_REGRESSOR.
Modèles wide et deep learning: utilisez le deep learning en définissant l'option MODEL_TYPE sur DNN_LINEAR_COMBINED_REGRESSOR.
Modèles AutoML : utilisez un modèle de classification AutoML en définissant l'option MODEL_TYPE sur AUTOML_REGRESSOR.

Vous pouvez également utiliser la AI.PREDICT fonction pour effectuer une régression à l'aide du modèle TabFM intégré. Vous pouvez évaluer les performances du modèle à l'aide de la AI.EVALUATE fonction.

Connaissances recommandées

En utilisant les paramètres par défaut dans les instructions CREATE MODEL et la fonction ML.PREDICT, vous pouvez créer et utiliser un modèle de régression même sans connaissances approfondies en ML. Toutefois, des connaissances de base sur le développement de ML vous aident à optimiser vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML :