Ringkasan regresi

Kasus penggunaan umum untuk machine learning adalah memprediksi nilai metrik numerik untuk data baru dengan menggunakan model yang dilatih pada data historis serupa. Misalnya, Anda mungkin ingin memprediksi harga jual yang diharapkan untuk sebuah rumah. Dengan menggunakan lokasi dan karakteristik rumah sebagai fitur, Anda dapat membandingkan rumah ini dengan rumah serupa yang telah terjual, dan menggunakan harga jualnya untuk memperkirakan harga jual rumah ini.

Anda dapat menggunakan salah satu model berikut bersama dengan fungsi ML.PREDICT untuk melakukan regresi:

• Model regresi linear: menggunakan regresi linear dengan menyetel opsi MODEL_TYPE ke LINEAR_REG.
• Model pohon penguatan: menggunakan pohon keputusan penguatan gradien dengan menyetel opsi MODEL_TYPE ke BOOSTED_TREE_REGRESSOR.
• Model hutan acak: menggunakan hutan acak dengan menyetel opsi MODEL_TYPE ke RANDOM_FOREST_REGRESSOR.
• Model deep neural network (DNN): menggunakan jaringan neural dengan menyetel opsi MODEL_TYPE ke DNN_REGRESSOR.
• Model Wide & Deep: gunakan wide & deep learning dengan menyetel opsi MODEL_TYPE ke DNN_LINEAR_COMBINED_REGRESSOR.
• Model AutoML: gunakan model klasifikasi AutoML dengan menyetel opsi MODEL_TYPE ke AUTOML_REGRESSOR.

Atau, Anda dapat menggunakan fungsi AI.PREDICT untuk melakukan regresi menggunakan model TabFM bawaan. Anda dapat mengevaluasi performa model menggunakan fungsi AI.EVALUATE.

Informasi yang direkomendasikan

Dengan menggunakan setelan default dalam pernyataan CREATE MODEL dan fungsi ML.PREDICT, Anda dapat membuat dan menggunakan model regresi meskipun tanpa banyak pengetahuan ML. Namun, memiliki pengetahuan dasar tentang pengembangan ML membantu Anda mengoptimalkan data dan model untuk memberikan hasil yang lebih baik. Sebaiknya gunakan referensi berikut untuk mengembangkan pemahaman tentang teknik dan proses ML:

• Kursus Singkat Machine Learning
• Pengantar Machine Learning
• Intermediate Machine Learning