Regression – Übersicht

Ein gängiger Anwendungsfall für maschinelles Lernen ist die Vorhersage des Werts einer numerischen Messgröße für neue Daten mithilfe eines Modells, das anhand ähnlicher Verlaufsdaten trainiert wurde. Beispiel: Sie möchten den voraussichtlichen Verkaufspreis eines Hauses vorhersagen. Wenn Sie den Standort und die Merkmale des Hauses als Merkmale verwenden, können Sie dieses Haus mit ähnlichen Häusern vergleichen, die bereits verkauft wurden, und anhand der Verkaufspreise den Verkaufspreis des Hauses schätzen.

Sie können in BigQuery ML eines der folgenden Modelle für die Regression verwenden:

• Lineare Regressionsmodelle: Verwenden Sie die lineare Regression, indem Sie die Option MODEL_TYPE auf LINEAR_REG festlegen.
• Boosted Tree-Modelle: Verwenden Sie einen Gradient Boosted-Entscheidungsbaum, indem Sie die Option MODEL_TYPE auf BOOSTED_TREE_REGRESSOR festlegen.
• Random Forest-Modelle: Verwenden Sie einen Random Forest, indem Sie die Option MODEL_TYPE auf RANDOM_FOREST_REGRESSOR festlegen.
• Modelle mit neuronalem Deep-Learning-Netzwerk (DNN): Verwenden Sie ein neuronales Netzwerk, indem Sie die Option MODEL_TYPE auf DNN_REGRESSOR festlegen.
• Wide & Deep-Modelle: Verwenden Sie Wide & Deep Learning, indem Sie die Option MODEL_TYPE auf DNN_LINEAR_COMBINED_REGRESSOR festlegen.
• AutoML-Modelle: Verwenden Sie ein AutoML-Klassifizierungsmodell, indem Sie die Option MODEL_TYPE auf AUTOML_REGRESSOR festlegen.