Regressionsmodule
Wichtig
Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.
Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.
- Siehe Migrieren zu Azure Machine Learning
- Weitere Informationen zu Azure Machine Learning.
Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.
In diesem Artikel werden die Module in Machine Learning Studio (klassisch) beschrieben, die die Erstellung von Regressionsmodellen unterstützen.
Hinweis
Gilt für: Machine Learning Studio (klassisch)
Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.
Weitere Informationen zur Regression
Regression ist eine Methodik, die häufig in Bereichen eingesetzt wird, die vom Engineering bis zum Bildungsbereich reichen. Beispielsweise können Sie regression verwenden, um den Wert eines Hauses basierend auf regionalen Daten vorherzusagen oder Projektionen zur zukünftigen Registrierung zu erstellen.
Regressionsaufgaben werden in vielen Tools unterstützt: z. B. Excel "What If"-Analyse, Vorhersagen im Laufe der Zeit und das Analysetool Zur herkömmlichen Regression.
Die Module für die Regression in Machine Learning Studio (klassisch) enthalten jeweils eine andere Methode oder einen anderen Algorithmus für die Regression. Im Allgemeinen versucht ein Regressionsalgorithmus, den Wert einer Funktion für eine bestimmte Instanz von Daten zu erlernen. Sie können die Höhe einer Person mithilfe einer Höhenfunktion vorhersagen oder die Wahrscheinlichkeit für den Krankenhauseintritt basierend auf medizinischen Testwerten vorhersagen.
Regressionsalgorithmen können Eingaben aus mehreren Features integrieren, indem sie den Beitrag jedes Merkmals der Daten zur Regressionsfunktion bestimmen.
Erstellen eines Regressionsmodells
Wählen Sie zunächst den Regressionsalgorithmus aus, der Ihren Anforderungen entspricht und Ihren Daten entspricht. Hilfe finden Sie in den folgenden Themen:
Cheat Sheet für Machine Learning-Algorithmen für Machine Learning
Bietet ein grafisches Entscheidungsdiagramm, das Sie durch den Auswahlprozess führt.
Auswählen von Machine Learning für Clustering, Klassifizierung oder Regression
In diesem Artikel werden die verschiedenen Arten von Algorithmen für maschinelles Lernen und deren Verwendung ausführlicher erläutert.
Fügen Sie Trainingsdaten hinzu. Stellen Sie sicher, dass Sie die Modulreferenz für jeden Algorithmus im Voraus lesen, um zu ermitteln, ob die Trainingsdaten besondere Anforderungen haben, mit Anderen als einem numerischen Ergebnis.
Führen Sie das Experiment aus, um das Modell zu trainieren. Nachdem der Regressionsalgorithmus aus den bezeichneten Daten gelernt hat, können Sie die funktion verwenden, die er gelernt hat, um Vorhersagen für neue Daten zu treffen.
Liste der Module
- Bayessche lineare Regression: Erstellt ein bayessches lineares Regressionsmodell.
- Boosted Decision Tree Regression: Erstellt ein Regressionsmodell mithilfe des Boosted Decision Tree-Algorithmus.
- Entscheidungswaldregression: Erstellt ein Regressionsmodell mithilfe des Decision Forest-Algorithmus.
- Schnelle Gesamtstruktur-Quantilregression: Erstellt ein Quantilregressionsmodell.
- Lineare Regression: Erstellt ein lineares Regressionsmodell.
- Regression neuronaler Netzwerke: Erstellt ein Regressionsmodell mithilfe eines Neuronalen Netzwerkalgorithmus.
- Ordinalregression: Erstellt ein Ordinalregressionsmodell.
- Poisson-Regression: Erstellt ein Regressionsmodell, bei dem davon ausgegangen wird, dass Daten eine Poisson-Verteilung haben.
Beispiele
Beispiele für Regression in Aktion finden Sie im Azure KI-Katalog.