Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
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 eines der folgenden Modelle in Kombination mit der Funktion ML.PREDICT verwenden, um eine Regression durchzuführen:
Mit den Standardeinstellungen in den CREATE MODEL-Anweisungen und der ML.PREDICT-Funktion können Sie auch ohne viel ML-Kenntnis ein Regressionsmodell erstellen und verwenden. Grundlegende Kenntnisse zur 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:
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-09-04 (UTC)."],[[["\u003cp\u003eRegression models are used to predict numerical values for new data based on patterns learned from historical data, such as predicting a house's sale price.\u003c/p\u003e\n"],["\u003cp\u003eThe \u003ccode\u003eML.PREDICT\u003c/code\u003e function can be used in conjunction with various models, including linear regression, boosted tree, random forest, deep neural network (DNN), wide & deep, and AutoML models, to perform regression.\u003c/p\u003e\n"],["\u003cp\u003eYou can create and use a regression model with default settings without extensive machine learning (ML) knowledge, though basic ML familiarity can help improve results.\u003c/p\u003e\n"],["\u003cp\u003eSeveral resources like Google's Machine Learning Crash Course and Kaggle's ML tutorials are available to help build familiarity with ML techniques and processes.\u003c/p\u003e\n"]]],[],null,["# Regression overview\n===================\n\nA common use case for machine learning is predicting the value of a numerical\nmetric for new data by using a model trained on similar historical data.\nFor example, you might want to predict a house's expected sale price. By using\nthe house's location and characteristics as features, you can compare this house\nto similar houses that have already sold, and use their sales prices to estimate\nthe house's sale price.\n\nYou can use any of the following models in combination with the\n[`ML.PREDICT` function](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-predict)\nto perform regression:\n\n- [Linear regression models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-glm): use [linear regression](https://developers.google.com/machine-learning/crash-course/linear-regression) by setting the `MODEL_TYPE` option to `LINEAR_REG`.\n- [Boosted tree models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-boosted-tree): use a [gradient boosted decision tree](https://developers.google.com/machine-learning/decision-forests/intro-to-gbdt) by setting the `MODEL_TYPE` option to `BOOSTED_TREE_REGRESSOR`.\n- [Random forest models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-random-forest): use a [random forest](https://developers.google.com/machine-learning/decision-forests/intro-to-decision-forests) by setting the `MODEL_TYPE` option to `RANDOM_FOREST_REGRESSOR`.\n- [Deep neural network (DNN) models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-dnn-models): use a [neural network](https://developers.google.com/machine-learning/crash-course/neural-networks) by setting the `MODEL_TYPE` option to `DNN_REGRESSOR`.\n- [Wide \\& Deep models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-wnd-models): use [wide \\& deep learning](https://dl.acm.org/doi/10.1145/2988450.2988454) by setting the `MODEL_TYPE` option to `DNN_LINEAR_COMBINED_REGRESSOR`.\n- [AutoML models](/bigquery/docs/reference/standard-sql/bigqueryml-syntax-create-automl): use an [AutoML classification model](/vertex-ai/docs/tabular-data/classification-regression/overview) by setting the `MODEL_TYPE` option to `AUTOML_REGRESSOR`.\n\nRecommended knowledge\n---------------------\n\nBy using the default settings in the `CREATE MODEL` statements and the\n`ML.PREDICT` function, you can create and use a regression model even\nwithout much ML knowledge. However, having basic knowledge about\nML development helps you optimize both your data and your model to\ndeliver better results. We recommend using the following resources to develop\nfamiliarity with ML techniques and processes:\n\n- [Machine Learning Crash Course](https://developers.google.com/machine-learning/crash-course)\n- [Intro to Machine Learning](https://www.kaggle.com/learn/intro-to-machine-learning)\n- [Intermediate Machine Learning](https://www.kaggle.com/learn/intermediate-machine-learning)"]]
