Panoramica della regressione
Un caso d'uso comune per il machine learning è la previsione del valore di una metrica numerica per 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 loro prezzi di vendita per stimare il prezzo di vendita della casa.
Puoi utilizzare uno qualsiasi dei seguenti modelli in combinazione con la
funzione ML.PREDICT
per eseguire la regressione:
- Modelli di regressione lineare: utilizzano la regressione lineare impostando l'opzione
MODEL_TYPEsuLINEAR_REG. - Modelli boosted tree: utilizza un albero decisionale con boosting del gradiente impostando l'opzione
MODEL_TYPEsuBOOSTED_TREE_REGRESSOR. - Modelli di foresta casuale:
utilizza una
foresta casuale
impostando l'opzione
MODEL_TYPEsuRANDOM_FOREST_REGRESSOR. - Modelli di rete neurale profonda (DNN): utilizza una rete neurale impostando l'opzione
MODEL_TYPEsuDNN_REGRESSOR. - Modelli Wide and Deep:
utilizza
l'apprendimento wide and deep
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
funzione AI.PREDICT
per eseguire la regressione utilizzando il
modello TabFM integrato. Puoi valutare le
prestazioni del modello utilizzando la
funzione AI.EVALUATE.
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 ML. Tuttavia, avere una conoscenza di base dello sviluppo
di ML ti aiuta a ottimizzare sia i dati che il modello per
ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e i processi di ML: