Descripción general de la regresión
Un caso de uso común del aprendizaje automático es predecir el valor de una métrica numérica para datos nuevos con un modelo entrenado en datos históricos similares. Por ejemplo, podrías querer predecir el precio de venta esperado de una casa. Si usas la ubicación y las características de la casa como atributos, puedes compararla con casas similares que ya se vendieron y usar sus precios de venta para estimar el precio de venta de la casa.
Puedes usar cualquiera de los siguientes modelos en combinación con la función ML.PREDICT para realizar la regresión:
- Modelos de regresión lineal: Para usar la regresión lineal, configura la opción
MODEL_TYPEenLINEAR_REG. - Modelos de árbol mejorado: Usa un árbol de decisión mejorado con gradientes configurando la opción
MODEL_TYPEenBOOSTED_TREE_REGRESSOR. - Modelos de bosque aleatorio: Para usar un bosque aleatorio, configura la opción
MODEL_TYPEenRANDOM_FOREST_REGRESSOR. - Modelos de red neuronal profunda (DNN): Para usar una red neuronal, establece la opción
MODEL_TYPEenDNN_REGRESSOR. - Modelos amplios y profundos: Para usar el aprendizaje profundo y amplio, configura la opción
MODEL_TYPEenDNN_LINEAR_COMBINED_REGRESSOR. - Modelos de AutoML: Para usar un modelo de clasificación de AutoML, configura la opción
MODEL_TYPEenAUTOML_REGRESSOR.
Conocimientos recomendados
Si usas la configuración predeterminada en las sentencias CREATE MODEL y la función ML.PREDICT, puedes crear y usar un modelo de regresión incluso sin mucho conocimiento de AA. Sin embargo, tener conocimientos básicos sobre
el desarrollo de AA te ayuda a optimizar tus datos y tu modelo para
obtener mejores resultados. Te recomendamos que uses los siguientes recursos para familiarizarte con las técnicas y los procesos de la IA:
- Curso intensivo de aprendizaje automático
- Introducción al aprendizaje automático
- Aprendizaje automático intermedio