O Google usa tecnologia de IA na tradução de conteúdos para seu idioma de preferência. As traduções com IA podem ter erros.

Visão geral da regressão

Um caso de uso comum para machine learning é prever o valor de uma métrica numérica para novos dados usando um modelo treinado em dados históricos semelhantes. Por exemplo, você pode querer prever o preço de venda esperado de uma casa. Ao usar a localização e as características da casa como atributos, você pode comparar essa casa a casas semelhantes que já foram vendidas e usar os preços de venda delas para estimar o preço de venda da casa.

É possível usar qualquer um dos modelos a seguir em combinação com a ML.PREDICT função para realizar a regressão:

Modelos de regressão linear: use a regressão linear definindo a opção MODEL_TYPE como LINEAR_REG.
Modelos de árvore otimizada: use uma árvore de decisão aprimorada por gradiente definindo a opção MODEL_TYPE como BOOSTED_TREE_REGRESSOR.
Modelos de floresta aleatória: use uma floresta aleatória definindo a opção MODEL_TYPE como RANDOM_FOREST_REGRESSOR.
Modelos de rede neural profunda (DNN): use uma rede neural definindo a opção MODEL_TYPE como DNN_REGRESSOR.
Modelos profundos e amplos: use aprendizado profundo e amplo definindo a opção MODEL_TYPE como DNN_LINEAR_COMBINED_REGRESSOR.
Modelos de AutoML: use um modelo de classificação de AutoML definindo a opção MODEL_TYPE como AUTOML_REGRESSOR.

Como alternativa, você pode usar a AI.PREDICT função para realizar a regressão usando o modelo TabFM integrado. É possível avaliar a performance do modelo usando a AI.EVALUATE função.

Conhecimento recomendado

Ao usar as configurações padrão nas instruções CREATE MODEL e na função ML.PREDICT, você pode criar e usar um modelo de regressão mesmo sem muito conhecimento de ML. No entanto, ter conhecimento básico sobre o desenvolvimento de ML ajuda a otimizar seus dados e seu modelo para oferecer melhores resultados. Recomendamos usar os recursos a seguir para se familiarizar com as técnicas e os processos de ML: