Esta página foi traduzida pela API Cloud Translation.

Vista geral da regressão

Um exemplo de utilização comum da aprendizagem automática é a previsão do valor de uma métrica numérica para novos dados através de um modelo preparado com base em dados do histórico semelhantes. Por exemplo, pode querer prever o preço de venda esperado de uma casa. Ao usar a localização e as caraterísticas da casa como funcionalidades, pode comparar esta casa com casas semelhantes que já foram vendidas e usar os respetivos preços de venda para estimar o preço de venda da casa.

Pode usar qualquer um dos seguintes modelos em combinação com a função ML.PREDICT para fazer a regressão:

Modelos de regressão linear: use regressão linear definindo a opção MODEL_TYPE como LINEAR_REG.
Modelos de árvores com reforço: use uma árvore de decisão com reforço de gradiente definindo a opção MODEL_TYPE como BOOSTED_TREE_REGRESSOR.
Modelos de floresta aleatória: use uma floresta aleatória definindo a opção MODEL_TYPE como RANDOM_FOREST_REGRESSOR.
Modelos de rede neural profunda (DNN): use uma rede neural definindo a opção MODEL_TYPE como DNN_REGRESSOR.
Modelos amplos e profundos: use aprendizagem ampla e avançada definindo a opção MODEL_TYPE como DNN_LINEAR_COMBINED_REGRESSOR.
Modelos do AutoML: use um modelo de classificação do AutoML definindo a opção MODEL_TYPE como AUTOML_REGRESSOR.

Conhecimentos recomendados

Ao usar as predefinições nas declarações CREATE MODEL e na função ML.PREDICT, pode criar e usar um modelo de regressão mesmo sem muitos conhecimentos de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de ML ajuda a otimizar os dados e o modelo para oferecer melhores resultados. Recomendamos que use os seguintes recursos para desenvolver familiaridade com as técnicas e os processos de ML: