Esta página foi traduzida pela API Cloud Translation.

Visão geral da regressão

Um caso de uso comum para o aprendizado de máquina é prever o valor de uma métrica numérica para novos dados usando um modelo treinado com dados históricos semelhantes. Por exemplo, você pode querer prever o preço de venda esperado de uma casa. Ao usar a localização e as características da casa como recursos, você pode comparar esse imóvel com casas semelhantes que já foram vendidas e usar os preços de venda delas para estimar o preço de venda da casa.

É possível usar qualquer um dos modelos a seguir em combinação com a função ML.PREDICT para realizar a regressão:

Modelos de regressão linear: use a regressão linear definindo a opção MODEL_TYPE como LINEAR_REG.
Modelos de árvore otimizada: use uma árvore de decisão aprimorada por 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 aprendizado amplo e profundo 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.

Conhecimento recomendado

Usando as configurações padrão nas instruções CREATE MODEL e na função ML.PREDICT, é possível criar e usar um modelo de regressão mesmo sem muito conhecimento de ML. No entanto, ter conhecimentos básicos sobre o desenvolvimento de ML ajuda a otimizar os dados e o modelo para obter melhores resultados. Recomendamos o uso dos seguintes recursos para se familiarizar com as técnicas e os processos de ML: