Panoramica sulla regressione
Un caso d'uso comune per il machine learning è la previsione del valore di una metrica numerica per i nuovi dati utilizzando un modello addestrato su dati storici simili. Ad esempio, potresti voler prevedere il prezzo di vendita previsto di una casa. Utilizzando la posizione e le caratteristiche della casa come funzionalità, puoi confrontare questa casa con case simili già vendute e utilizzare i relativi prezzi di vendita per stimare il prezzo di vendita della casa.
Puoi utilizzare uno dei seguenti modelli in combinazione con la
ML.PREDICT funzione
per eseguire la regressione:
- Modelli di regressione lineare:
utilizza
la regressione lineare
impostando l'opzione
MODEL_TYPEsuLINEAR_REG. - Modelli di alberi potenziati:
utilizza un
albero decisionale con potenziamento del gradiente
impostando l'opzione
MODEL_TYPEsuBOOSTED_TREE_REGRESSOR. - Modelli di foreste casuali:
utilizza una
foresta casuale
impostando l'opzione
MODEL_TYPEsuRANDOM_FOREST_REGRESSOR. - Modelli di reti neurali profonde (DNN):
utilizza una
rete neurale
impostando l'opzione
MODEL_TYPEsuDNN_REGRESSOR. - Modelli Wide and Deep:
utilizza il
Wide and Deep learning
impostando l'opzione
MODEL_TYPEsuDNN_LINEAR_COMBINED_REGRESSOR. - Modelli AutoML:
utilizza un
modello di classificazione AutoML
impostando l'opzione
MODEL_TYPEsuAUTOML_REGRESSOR.
In alternativa, puoi utilizzare la
AI.PREDICT funzione
per eseguire la regressione utilizzando il modello TabFM integrato. Puoi valutare le
prestazioni del modello utilizzando la
AI.EVALUATE funzione.
Conoscenze consigliate
Utilizzando le impostazioni predefinite nelle istruzioni CREATE MODEL e nella funzione ML.PREDICT, puoi creare e utilizzare un modello di regressione anche senza molte conoscenze di machine learning. Tuttavia, avere una conoscenza di base dello sviluppo di machine learning ti aiuta a ottimizzare sia i dati sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di machine learning: