Algumas ou todas as informações nesta página podem não se aplicar ao Cloud de Confiance da S3NS. Consulte Diferenças do Google Cloud para saber mais.

O Google usa tecnologia de IA na tradução de conteúdos para seu idioma de preferência. As traduções com IA podem ter erros.

Visão geral da regressão

Um caso de uso comum do aprendizado de máquina é prever o valor de uma métrica numérica para novos dados usando um modelo treinado em dados históricos semelhantes. Por exemplo, você pode querer prever o preço de venda esperado de uma casa. Ao usar a localização e as características da casa como atributos, é possível comparar esse imóvel com outros semelhantes que já foram vendidos e usar os preços de venda para estimar o valor da casa.

É possível usar qualquer um dos modelos a seguir em combinação com a função ML.PREDICT para realizar uma regressão:

Modelos de regressão linear: use a regressão linear definindo a opção MODEL_TYPE como LINEAR_REG.
Modelos de árvores aprimoradas: use uma árvore de decisão aprimorada por gradiente definindo a opção MODEL_TYPE como BOOSTED_TREE_REGRESSOR.
Modelos de floresta aleatória: use uma floresta aleatória definindo a opção MODEL_TYPE como RANDOM_FOREST_REGRESSOR.
Modelos de rede neural profunda (DNN): use uma rede neural definindo a opção MODEL_TYPE como DNN_REGRESSOR.
Modelos de amplitude e profundidade: use aprendizado profundo e amplo definindo a opção MODEL_TYPE como DNN_LINEAR_COMBINED_REGRESSOR.
Modelos do AutoML: use um modelo de classificação do AutoML definindo a opção MODEL_TYPE como AUTOML_REGRESSOR.

Como alternativa, use a função AI.PREDICT para realizar a regressão usando o modelo TabFM integrado. É possível avaliar o desempenho do modelo usando a função AI.EVALUATE.

Conhecimento recomendado

Ao usar as configurações padrão nas instruções CREATE MODEL e na função ML.PREDICT, é possível criar e usar um modelo de regressão mesmo sem muito conhecimento de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de ML ajuda a otimizar seus dados e seu modelo para gerar resultados melhores. Recomendamos usar os seguintes recursos para se familiarizar com técnicas e processos de ML: