Cette page a été traduite par l'API Cloud Translation.

Présentation de la régression

Un cas d'utilisation courant du machine learning consiste à prédire la valeur d'une métrique numérique pour de nouvelles données à l'aide d'un modèle entraîné sur des données historiques similaires. Par exemple, vous pouvez vouloir prédire le prix de vente attendu d'une maison. En utilisant l'emplacement et les caractéristiques de la maison comme caractéristiques, vous pouvez la comparer à des maisons similaires déjà vendues, et utiliser leurs prix de vente pour estimer le prix de vente de la maison.

Vous pouvez utiliser l'un des modèles suivants en combinaison avec la fonction ML.PREDICT pour effectuer une régression:

Modèles de régression linéaire : utilisez la régression linéaire en définissant l'option MODEL_TYPE sur LINEAR_REG.
Modèles en arbre de décision à boosting : utilisez un arbre de décision à boosting de gradient en définissant l'option MODEL_TYPE sur BOOSTED_TREE_REGRESSOR.
Modèles de forêt d'arbres décisionnels : utilisez une forêt d'arbres décisionnels en définissant l'option MODEL_TYPE sur RANDOM_FOREST_REGRESSOR.
Modèles de réseau de neurones profond (DNN) : utilisez un réseau de neurones en définissant l'option MODEL_TYPE sur DNN_REGRESSOR.
Modèles wide et deep learning : utilisez le wide et deep learning en définissant l'option MODEL_TYPE sur DNN_LINEAR_COMBINED_REGRESSOR.
Modèles AutoML : utilisez un modèle de classification AutoML en définissant l'option MODEL_TYPE sur AUTOML_REGRESSOR.

Connaissances recommandées

En utilisant les paramètres par défaut des instructions CREATE MODEL et de la fonction ML.PREDICT, vous pouvez créer et utiliser un modèle de régression, même sans beaucoup de connaissances en ML. Toutefois, disposer de connaissances de base sur le développement du ML vous aide à optimiser vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML: