Esta página se ha traducido con Cloud Translation API.

Descripción general de la regresión

Un caso de uso habitual del aprendizaje automático es predecir el valor de una métrica numérica para datos nuevos mediante un modelo entrenado con datos históricos similares. Por ejemplo, puede que quieras predecir el precio de venta esperado de una casa. Si usas la ubicación y las características de la casa como atributos, puedes comparar esta casa con otras similares que ya se hayan vendido y usar sus precios de venta para estimar el precio de venta de la casa.

Puede usar cualquiera de los siguientes modelos en combinación con la función ML.PREDICT para realizar una regresión:

Modelos de regresión lineal: usa regresión lineal definiendo la opción MODEL_TYPE como LINEAR_REG.
Modelos de tipo "boosted tree": usa un árbol de decisión con refuerzo de gradiente definiendo la opción MODEL_TYPE como BOOSTED_TREE_REGRESSOR.
Modelos de bosque aleatorio: usan un bosque aleatorio si se define la opción MODEL_TYPE como RANDOM_FOREST_REGRESSOR.
Modelos de red neuronal profunda (DNN): usan una red neuronal al definir la opción MODEL_TYPE en DNN_REGRESSOR.
Modelos profundos y amplios: usa aprendizaje profundo y amplio si asignas el valor DNN_LINEAR_COMBINED_REGRESSOR a la opción MODEL_TYPE.
Modelos de AutoML: usa un modelo de clasificación de AutoML definiendo la opción MODEL_TYPE como AUTOML_REGRESSOR.

Conocimientos recomendados

Si usas la configuración predeterminada en las instrucciones CREATE MODEL y la función ML.PREDICT, puedes crear y usar un modelo de regresión aunque no tengas muchos conocimientos de aprendizaje automático. Sin embargo, tener conocimientos básicos sobre el desarrollo de aprendizaje automático te ayuda a optimizar tanto tus datos como tu modelo para obtener mejores resultados. Te recomendamos que utilices los siguientes recursos para familiarizarte con las técnicas y los procesos de aprendizaje automático: