Модули регрессии
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
в этой статье описываются модули в Машинное обучение Studio (классическая модель), которые поддерживают создание моделей регрессии.
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Дополнительные сведения о регрессии
Регрессия — это методология, которая широко используется в полях от проектирования до образования. Например, можно использовать регрессию для прогнозирования значения дома на основе региональных данных или создания проекций для будущей регистрации.
задачи регрессии поддерживаются во многих средствах: например, Excel предоставляет анализ "What If", прогнозирование по времени и пакет анализа для традиционной регрессии.
модули регрессии в Машинное обучение Studio (классическая модель) содержат различные методы или алгоритмы для регрессии. Как правило, алгоритм регрессии пытается узнать значение функции для конкретного экземпляра данных. Вы можете спрогнозировать высоту пользователя с помощью функции высоты или прогнозировать вероятность появления больницы на основе медицинских тестовых значений.
Алгоритмы регрессии могут включать входные данные из нескольких функций, определяя вклад каждого компонента данных в функцию регрессии.
Создание модели регрессии
Сначала выберите алгоритм регрессии, отвечающий вашим потребностям, и подберете ваши данные. Дополнительные сведения см. в следующих разделах:
памятка по на листе алгоритма машинного обучения для Машинное обучение
Содержит графическую диаграмму принятия решений по процессу выбора.
выбор алгоритмов Машинное обучение для кластеризации, классификации или регрессии
Более подробно рассматриваются различные типы алгоритмов машинного обучения и их использование.
Добавление обучающих данных. Обязательно ознакомьтесь со ссылкой на модуль для каждого алгоритма заранее, чтобы определить, имеют ли обучающие данные особые требования, отличные от числовых результатов.
Чтобы обучить модель, запустите эксперимент. После того как алгоритм регрессии изучился от помеченных данных, можно использовать функцию, которую он изучили, чтобы сделать прогнозы для новых данных.
Список модулей
- Линейная регрессия Байеса: создает модель линейной регрессии Байеса.
- Регрессия повышенного дерева принятия решений: создает модель регрессии с помощью алгоритма повышенного дерева принятия решений.
- Регрессия леса принятия решений: создает модель регрессии с помощью алгоритма леса принятия решений.
- Регрессия квантилей в быстром лесу: создает модель регрессии квантилей.
- Линейная регрессия: создает модель линейной регрессии.
- Регрессия нейронной сети: создает модель регрессии с помощью алгоритма нейронной сети.
- Порядковая регрессия: создает попорядковую модель регрессии.
- Регрессия Пуассона: создает модель регрессии, которая предполагает, что данные имеют распределение Пуассона.
Примеры
Примеры регрессии в действии см. в Коллекция решений ии Azure.