Panoramica della regressione

Un caso d'uso comune del machine learning è la previsione del valore di una metrica numerica per i nuovi dati utilizzando un modello addestrato su dati storici simili. Ad esempio, potresti voler prevedere il prezzo di vendita previsto di una casa. Utilizzando la posizione e le caratteristiche della casa come elementi, puoi confrontarla con case simili già vendute e utilizzare i relativi prezzi di vendita per stimare il prezzo di vendita della casa.

Puoi utilizzare uno dei seguenti modelli in combinazione con la funzione ML.PREDICT per eseguire la regressione:

• Modelli di regressione lineare: utilizza la regressione lineare impostando l'opzione MODEL_TYPE su LINEAR_REG.
• Modelli boosted tree: utilizza un albero decisionale con boosting del gradiente impostando l'opzione MODEL_TYPE su BOOSTED_TREE_REGRESSOR.
• Modelli di foresta casuale: utilizza una foresta casuale impostando l'opzione MODEL_TYPE su RANDOM_FOREST_REGRESSOR.
• Modelli di reti neurali profonde (DNN): utilizza una rete neurale impostando l'opzione MODEL_TYPE su DNN_REGRESSOR.
• Modelli Wide and Deep: utilizza Wide and Deep learning impostando l'opzione MODEL_TYPE su DNN_LINEAR_COMBINED_REGRESSOR.
• Modelli AutoML: utilizza un modello di classificazione AutoML impostando l'opzione MODEL_TYPE su AUTOML_REGRESSOR.

Conoscenze consigliate

Utilizzando le impostazioni predefinite nelle istruzioni CREATE MODEL e nella funzione ML.PREDICT, puoi creare e utilizzare un modello di regressione anche senza molte conoscenze di ML. Tuttavia, avere conoscenze di base sullo sviluppo del ML ti aiuta a ottimizzare sia i dati sia il modello per ottenere risultati migliori. Ti consigliamo di utilizzare le seguenti risorse per acquisire familiarità con le tecniche e le procedure di ML:

• Machine Learning Crash Course
• Introduzione al machine learning
• Machine learning intermedio