貝氏線性迴歸

重要

Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。建議您在該日期之前轉換成 Azure Machine Learning。

自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。

ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。

建立貝氏線性迴歸模型

注意

適用于：僅限機器學習 Studio (傳統)

Azure Machine Learning 設計工具中提供類似的拖放模組。

模組概觀

本文描述如何在機器學習 Studio (傳統) 中使用貝氏線性回歸模組，以根據貝氏統計資料來定義回歸模型。

定義模型參數之後，您必須使用已加上標籤的資料集和「定型模型」模組來定型模型。然後，定型的模型就可用來進行預測。或者，未定型的模型可以傳遞至交叉驗證模型，以根據加上標籤的資料集進行交叉驗證。

在統計資料中，貝氏迴歸的方法通常會對照 frequentist 方法。

貝氏方法會使用線性迴歸，補充先前的機率分配的表單中的其他資訊。前一個參數的相關資訊會結合可能性函式來產生參數估計值。

相反地，frequentist 方法是由標準最小方形線性迴歸表示，假設資料包含足夠的度量單位，以建立有意義的模型。

如需此演算法背後研究的詳細資訊，請參閱技術提示一節中的連結。

將 貝氏線性回歸 模組新增至您的實驗。您可以在 [回歸] 分類中的 [機器學習、初始化] 下找到此模組。
正規化權數：輸入要用於正規化的值。正則化可用來避免過度學習。此權數對應于 L2。如需詳細資訊，請參閱技術附注一節。
允許未知的類別層級：選取此選項可建立未知值的群組。模型只能接受定型資料中包含的值。模型的已知值可能較不精確，但是針對新的 (未知的) 值提供更好的預測。
連線訓練資料集，以及其中一個定型模組。此模型類型沒有可在參數清除中變更的參數，因此雖然您可以使用微調模型超參數來定型模型，但它無法自動將模型優化。
選取您要建立模型或預測的單一數值資料行。
執行實驗。

定型完成後：

如需回歸模型的範例，請參閱 Azure AI 資源庫。

這文字方塊在機器學習：模式辨識和機器學習、Christopher Bishop、springer link Verlag、2007中會詳細說明 lambda 係數的使用方式。
您可以從 Microsoft Research 網站以 PDF 下載的形式取得本文：貝氏回歸和分類

名稱	範圍	類型	預設	描述
正則化權數	>=double.Epsilon	Float	1.0	輸入要用於正則化的常數。該常數代表權數精確度高於雜訊精確度的比例。
允許不明類別層級	任意	布林值	true	如果為 true，則會為每個類別資料行建立額外層級。測試資料集內若有任何層級是定型資料集內所有沒有的，則會對應到此額外層級。

名稱	類型	描述
未定型的模型	ILearner 介面	未定型的貝氏線性迴歸模型