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:
- 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.
Empfohlene Kenntnisse
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:
- Crashkurs „Maschinelles Lernen“
- Einführung in maschinelles Lernen
- Fortgeschrittene Kenntnisse in Machine Learning