Regressiemodules
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
In dit artikel worden de modules in Machine Learning Studio (klassiek) beschreven die ondersteuning bieden voor het maken van regressiemodellen.
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
Meer informatie over regressie
Regressie is een methodologie die veel wordt gebruikt op het gebied van techniek tot onderwijs. U kunt bijvoorbeeld regressie gebruiken om de waarde van een huis te voorspellen op basis van regionale gegevens of om projecties te maken over toekomstige inschrijving.
Regressietaken worden ondersteund in veel hulpprogramma's: Excel biedt bijvoorbeeld 'What If'-analyse, prognoses over een periode en analysis toolPak voor traditionele regressie.
De modules voor regressie in Machine Learning Studio (klassiek) bevatten elk een andere methode, of algoritme, voor regressie. In het algemeen probeert een regressiealgoritme de waarde van een functie te leren voor een bepaald exemplaar van gegevens. U kunt de lengte van iemand voorspellen met behulp van een lengtefunctie of de waarschijnlijkheid van ziekenhuisopname voorspellen op basis van medische testwaarden.
Regressiealgoritmen kunnen invoer uit meerdere functies opnemen door de bijdrage van elke functie van de gegevens aan de regressiefunctie te bepalen.
Een regressiemodel maken
Selecteer eerst het regressiealgoritme dat voldoet aan uw behoeften en past bij uw gegevens. Zie de volgende onderwerpen voor hulp:
Cheatsheet voor machine learning-algoritmen voor Machine Learning
Biedt een grafische beslissingsgrafiek om u door het selectieproces te leiden.
Algoritmen Machine Learning voor clustering, classificatie of regressie
In meer detail worden de verschillende typen machine learning algoritmen en hoe ze worden gebruikt.
Voeg trainingsgegevens toe. Zorg ervoor dat u vooraf de moduleverwijzing voor elk algoritme raadpleegt om te bepalen of de trainingsgegevens speciale vereisten hebben, met andere dan een numeriek resultaat.
Voer het experiment uit om het model te trainen. Nadat het regressiealgoritme heeft geleerd van de gelabelde gegevens, kunt u de geleerde functie gebruiken om voorspellingen te doen op nieuwe gegevens.
Lijst met modules
- Bayesiaanse lineaire regressie: hiermee maakt u een bayesisch lineair regressiemodel.
- Boosted Decision Tree Regression: hiermee maakt u een regressiemodel met behulp van het algoritme Boosted Decision Tree.
- Regressie van beslissings forest: hiermee maakt u een regressiemodel met behulp van het beslissings-forestalgoritme.
- Fast Forest Quantile Regression: Hiermee maakt u een regressiemodel voor kwantielen.
- Lineaire regressie: hiermee maakt u een lineair regressiemodel.
- Neurale netwerk regressie: hiermee maakt u een regressiemodel met behulp van een neuraal netwerkalgoritme.
- Ordinale regressie: hiermee maakt u een ordinale regressiemodel.
- Poisson Regression: hiermee maakt u een regressiemodel dat ervan uit gaat dat gegevens een Poisson-distributie hebben.
Voorbeelden
Zie de Azure AI Gallery voor voorbeelden van regressie in Azure AI Gallery.