回帰モジュール
重要
Machine Learning Studio (クラシック) のサポートは、2024 年 8 月 31 日に終了します。 その日までに、Azure Machine Learning に切り替えすることをお勧めします。
2021 年 12 月 1 日以降、新しい Machine Learning Studio (クラシック) リソースは作成できません。 2024 年 8 月 31 日まで、既存の Machine Learning Studio (クラシック) リソースを引き続き使用できます。
- ML Studio (クラシック) から Azure Machine Learning への機械学習プロジェクトの移動に関する情報を参照してください。
- Azure Machine Learning についての詳細を参照してください。
ML Studio (クラシック) のドキュメントは廃止予定であり、今後更新されない可能性があります。
この記事では、回帰モデルの作成をMachine Learning Studio (クラシック) のモジュールについて説明します。
注意
適用対象: Machine Learning Studio (クラシック) のみ
類似のドラッグ アンド ドロップ モジュールは Azure Machine Learning デザイナーで使用できます。
回帰の詳細
回帰は、エンジニアリングから教育までの分野で広く使用されている手法です。 たとえば、回帰を使用して、地域データに基づいて家の価値を予測したり、将来の登録に関する予測を作成したりすることができます。
回帰タスクは、多くのツールでサポートされています。たとえば、Excel では "What If" 分析、時間の流れた予測、従来の回帰用の Analysis ToolPak が提供されます。
Machine Learning Studio (クラシック) の回帰用モジュールには、それぞれ回帰用に異なる方法 (アルゴリズム) が組み込まれています。 一般に、回帰アルゴリズムは、データの特定のインスタンスの関数の値を学習します。 身長関数を使用して誰かの身長を予測したり、医療検査値に基づいて入院の確率を予測したりすることもできます。
回帰アルゴリズムでは、データの各特徴の回帰関数への寄与を決定することで、複数の特徴からの入力を組み込む可能性があります。
回帰モデルを作成する方法
まず、ニーズに合った、データに適した回帰アルゴリズムを選択します。 ヘルプについては、次のトピックを参照してください。
機械学習アルゴリズムのチート シート (Machine Learning
選択プロセスをガイドするグラフィカルなデシジョン チャートを提供します。
クラスタリング、分類Machine Learning回帰のアルゴリズムを選択する方法
さまざまな種類の機械学習アルゴリズムと、その使い方について詳しく説明します。
トレーニング データを追加します。 トレーニング データに数値の結果以外の特別な要件が含まれるかどうかを判断するには、事前に各アルゴリズムのモジュール リファレンスを参照してください。
モデルをトレーニングするには、実験を実行します。 ラベル付けされたデータから回帰アルゴリズムを学習した後、学習した関数を使用して、新しいデータに対して予測を行います。
モジュールの一覧
- ベイジアン線形回帰: ベイズ線形回帰モデルを作成します。
- ブースト ドシジョン ツリー回帰: ブースト ドシジョン ツリー アルゴリズムを使用して回帰モデルを作成します。
- Decision Forest Regression:決定フォレスト アルゴリズムを使用して回帰モデルを作成します。
- 高速フォレスト分位点回帰: 分位点回帰モデルを作成します。
- 線形回帰: 線形回帰モデルを作成します。
- ニューラル ネットワーク回帰: ニューラル ネットワーク アルゴリズムを使用して回帰モデルを作成します。
- 序数回帰: 序数回帰モデルを作成します。
- ポワソン回帰: データにポワソン分布を持つ回帰モデルを作成します。
例
実際の回帰の例については、次のAzure AI Gallery。