סקירה כללית של רגרסיה

תרחיש נפוץ לשימוש בלמידת מכונה הוא חיזוי הערך של מדד מספרי עבור נתונים חדשים באמצעות מודל שאומן על נתונים היסטוריים דומים. לדוגמה, יכול להיות שתרצו לחזות את מחיר המכירה הצפוי של בית. אפשר להשתמש במיקום ובמאפיינים של הבית כמאפיינים, להשוות את הבית הזה לבתים דומים שכבר נמכרו, ולהשתמש במחירי המכירה שלהם כדי להעריך את מחיר המכירה של הבית.

אפשר להשתמש בכל אחד מהמודלים הבאים בשילוב עם הפונקציה ML.PREDICT כדי לבצע רגרסיה:

• מודלים של רגרסיה לינארית: משתמשים ברגרסיה לינארית על ידי הגדרת האפשרות MODEL_TYPE לערך LINEAR_REG.
• מודלים של עצים משופרים: משתמשים בעץ החלטות עם שיפור גרדיאנט על ידי הגדרת האפשרות MODEL_TYPE לערך BOOSTED_TREE_REGRESSOR.
• מודלים של יער אקראי: משתמשים ביער אקראי על ידי הגדרת האפשרות MODEL_TYPE לערך RANDOM_FOREST_REGRESSOR.
• מודלים של רשתות נוירונים עמוקות (DNN): משתמשים ברשת נוירונים על ידי הגדרת האפשרות MODEL_TYPE לערך DNN_REGRESSOR.
• מודלים עמוקים בהקשר רחב: משתמשים בלמידה עמוקה בהקשר רחב על ידי הגדרת האפשרות MODEL_TYPE לערך DNN_LINEAR_COMBINED_REGRESSOR.
• מודלים של AutoML: משתמשים במודל סיווג של AutoML על ידי הגדרת האפשרות MODEL_TYPE לערך AUTOML_REGRESSOR.

לחלופין, אפשר להשתמש בפונקציה AI.PREDICT כדי לבצע רגרסיה באמצעות מודל TabFM המובנה. כדי להעריך את הביצועים של המודל, אפשר להשתמש בפונקציה AI.EVALUATE.

מידע מומלץ

באמצעות הגדרות ברירת המחדל בהצהרות CREATE MODEL ובפונקציה ML.PREDICT, אפשר ליצור ולהשתמש במודל רגרסיה גם בלי ידע רב ב-ML. עם זאת, ידע בסיסי בפיתוח ML עוזר לכם לבצע אופטימיזציה של הנתונים ושל המודל כדי להשיג תוצאות טובות יותר. כדי להכיר את הטכניקות והתהליכים של ML, מומלץ להשתמש במקורות המידע הבאים:

• קורס מקוצר על למידת מכונה
• מבוא ללמידת מכונה
• למידת מכונה ברמה בינונית