Regression – Übersicht
Ein häufiger Anwendungsfall für maschinelles Lernen ist die Vorhersage des Werts einer numerischen Messgröße für neue Daten mithilfe eines Modells, das mit ähnlichen Verlaufsdaten trainiert wurde. Sie möchten beispielsweise den erwarteten Verkaufspreis eines Hauses vorhersagen. Wenn Sie den Standort und die Merkmale des Hauses als Features verwenden, können Sie es mit ähnlichen Häusern vergleichen, die bereits verkauft wurden, und deren Verkaufspreise verwenden, um den Verkaufspreis des Hauses zu schätzen.
Sie können eines der folgenden Modelle in Kombination mit der Funktion ML.PREDICT verwenden, um eine Regression durchzuführen:
- Lineare Regressionsmodelle: Verwenden Sie die lineare Regression, indem Sie die Option
MODEL_TYPEaufLINEAR_REGfestlegen. - Boosted Tree-Modelle: Verwenden Sie einen Gradient Boosted-Entscheidungsbaum, indem Sie die Option
MODEL_TYPEaufBOOSTED_TREE_REGRESSORfestlegen. - Random Forest-Modelle: Verwenden Sie einen Random Forest, indem Sie die Option
MODEL_TYPEaufRANDOM_FOREST_REGRESSORfestlegen. - Modelle mit neuronalem Deep-Learning-Netzwerk (DNN): Verwenden Sie ein neuronales Netzwerk, indem Sie die Option
MODEL_TYPEaufDNN_REGRESSORfestlegen. - Wide & Deep-Modelle: Verwenden Sie Wide & Deep Learning, indem Sie die Option
MODEL_TYPEaufDNN_LINEAR_COMBINED_REGRESSORfestlegen. - AutoML-Modelle: Verwenden Sie ein AutoML-Klassifizierungsmodell, indem Sie die Option
MODEL_TYPEaufAUTOML_REGRESSORfestlegen.
Alternativ können Sie die Funktion AI.PREDICT verwenden, um mit dem integrierten TabFM-Modell eine Regression durchzuführen. Sie können die Leistung des Modells mit der Funktion AI.EVALUATE bewerten.
Empfohlenes Wissen
Wenn Sie die Standardeinstellungen in den CREATE MODEL-Anweisungen und der ML.PREDICT-Funktion verwenden, können Sie ein Regressionsmodell erstellen und verwenden, auch wenn Sie nicht viel ML-Wissen haben. Grundkenntnisse in der ML-Entwicklung helfen Ihnen jedoch, sowohl Ihre Daten als auch Ihr Modell zu optimieren, um bessere Ergebnisse zu erzielen. Wir empfehlen die folgenden Ressourcen, um sich mit ML-Techniken und ‑Prozessen vertraut zu machen: