Referencia técnica del algoritmo de regresión lineal de Microsoft
El algoritmo de regresión lineal de Microsoft es una versión especial del algoritmo de árboles de decisión de Microsoft que está optimizado para modelar pares de atributos continuos. Este tema explica la implementación del algoritmo, describe cómo personalizar su comportamiento y proporciona vínculos a información adicional sobre cómo consultar los modelos.
Implementación del algoritmo de regresión lineal
El algoritmo de árboles de decisión de Microsoft se puede utilizar para muchas tareas: regresión lineal, clasificación o análisis de la asociación. Para implementar este algoritmo con el propósito de la regresión lineal, los parámetros del algoritmo se controlan para restringir el crecimiento del árbol y mantener todos los datos en el modelo en un nodo único. En otras palabras, aunque la regresión lineal está basada en un árbol de decisión, el árbol únicamente contiene una raíz y ninguna bifurcación: todos los datos residen en el nodo raíz.
Para lograr esto, el parámetro MINIMUM_LEAF_CASES del algoritmo se establece para ser mayor o igual que el número total de casos que el algoritmo utiliza para entrenar el modelo de minería de datos. Con el parámetro así establecido, el algoritmo no crea nunca una división y, por tanto, lleva a cabo una regresión lineal.
La ecuación que representa la recta de regresión toma la forma general de y = ax + b y se conoce como ecuación de regresión. La variable Y representa la variable de salida, X representa la variable de entrada y a y b son coeficientes ajustables. Puede recuperar los coeficientes, intersecciones y otra información sobre la fórmula de regresión consultando el modelo de minería de datos completado. Para obtener más información, vea Consultar un modelo de regresión lineal (Analysis Services - Minería de datos).
Métodos de puntuación y selección de características
Todos los algoritmos de minería de datos de Analysis Services utilizan automáticamente la selección de características para mejorar el análisis y reducir la carga de procesamiento. El método utilizado para la selección de características en la regresión lineal es la puntuación de grado de interés, porque el modelo únicamente admite las columnas continuas. Como referencia, la tabla siguiente muestra la diferencia en la selección de características para el algoritmo de regresión lineal y el algoritmo de árboles de decisión.
Algoritmo |
Método de análisis |
Comentarios |
|---|---|---|
Regresión lineal |
Puntuación de grado de interés |
Predeterminado. Otros métodos de selección de características que están disponibles con el algoritmo de árboles de decisión se aplican únicamente a las variables discretas y, por consiguiente, no son aplicables a los modelos de regresión lineal. |
Árboles de decisión |
Puntuación de grado de interés Entropía de Shannon Bayesiano con prioridad K2 Dirichlet bayesiano con prioridad uniforme (predeterminado) |
Si alguna columna contiene valores continuos no binarios, se utiliza la puntuación de grado de interés en todas las columnas para asegurar la coherencia. En caso contrario, se utiliza el método predeterminado o el especificado. |
Los parámetros del algoritmo que controlan la selección de características para el modelo de árboles de decisión son MAXIMUM_INPUT_ATTRIBUTES y MAXIMUM_OUTPUT.
Personalizar el algoritmo de regresión lineal
El algoritmo de regresión lineal de Microsoft admite los parámetros que afectan al comportamiento, el rendimiento y la precisión del modelo de minería de datos resultante. También puede establecer marcas de modelado en las columnas del modelo de minería de datos o de la estructura de minería de datos para controlar la manera en que se procesan los datos.
Establecer los parámetros del algoritmo
En la tabla siguiente se enumeran los parámetros que se proporcionan para el algoritmo de regresión lineal de Microsoft.
Parámetros |
Descripción |
|---|---|
MAXIMUM_INPUT_ATTRIBUTES |
Define el número de atributos de entrada que puede administrar el algoritmo antes de invocar la selección de características. Establezca este valor en 0 para desactivar la selección de características. El valor predeterminado es 255. |
MAXIMUM_OUTPUT_ATTRIBUTES |
Define el número de atributos de salida que puede administrar el algoritmo antes de invocar la selección de características. Establezca este valor en 0 para desactivar la selección de características. El valor predeterminado es 255. |
FORCE_REGRESSOR |
Fuerza que el algoritmo use las columnas indicadas como regresores, independientemente de su importancia según los cálculos del algoritmo. |
Marcas de modelado
El algoritmo de regresión lineal de Microsoft admite las marcas de modelado siguientes. Al crear la estructura o el modelo de minería de datos, se definen las marcas de modelado que especifican cómo se tratan los valores de cada columna durante el análisis. Para obtener más información, vea Marcas de modelado (Minería de datos).
Marca de modelado |
Descripción |
|---|---|
NOT NULL |
Indica que la columna no puede contener un valor NULL. Se producirá un error si Analysis Services encuentra un valor NULL durante el entrenamiento del modelo. Se aplica a las columnas de la estructura de minería de datos. |
REGRESSOR |
Indica que la columna contiene valores numéricos continuos que se deberían tratar como posibles variables independientes durante el análisis. .gif "Nota") Nota
Al marcar una columna como regresor no se asegura de que la columna se utilizará como regresor en el modelo final.
Se aplica a las columnas del modelo de minería de datos. |
Regresores en los modelos de regresión lineal
Los modelos de regresión lineal se basan en el algoritmo de árboles de decisión de Microsoft. Sin embargo, aun cuando no utilice el algoritmo de regresión lineal de Microsoft, cualquier modelo de árbol de decisión puede contener un árbol o nodos que representen una regresión en un atributo continuo.
No es necesario especificar que una columna continua representa un regresor. El algoritmo de árboles de decisión de Microsoft dividirá el conjunto de datos en regiones con patrones significativos aunque no establezca la marca REGRESSOR en la columna. La diferencia estriba en que al establecer la marca de modelado, el algoritmo intentará buscar ecuaciones de regresión con el formato a*C1 + b*C2 + ... para que se ajusten a los patrones de los nodos del árbol. Se calcula la suma de los valores residuales y, si la desviación es demasiado grande, se fuerza una división en el árbol.
Por ejemplo, si está prediciendo los hábitos de compra de los clientes utilizando Income como atributo y ha establecido la marca de modelado REGRESSOR en la columna, el algoritmo intentará en primer lugar ajustar los valores de Income mediante una fórmula de regresión estándar. Si la desviación es demasiado grande, se abandona la fórmula de regresión y el árbol se dividirá de acuerdo con algún otro atributo. A continuación, el algoritmo de árboles de decisión intentará ajustar un regresor para los ingresos en cada una de las ramas después de la división.
Puede utilizar el parámetro FORCED_REGRESSOR para garantizar que el algoritmo utilizará un regresor determinado. Este parámetro se puede utilizar con el algoritmo de árboles de decisión de Microsoft y el algoritmo de regresión lineal de Microsoft.
Requisitos
Un modelo de regresión lineal debe contener una columna de clave, columnas de entrada y al menos una columna de predicción.
Columnas de entrada y de predicción
El algoritmo de regresión lineal de Microsoft admite las columnas de entrada y de predicción específicas que se incluyen en la tabla siguiente. Para obtener más información sobre lo que significan los tipos de contenido cuando se usan en un modelo de minería de datos, vea Tipos de contenido (minería de datos).
Columna |
Tipos de contenido |
|---|---|
Atributo de entrada |
Continuo, cíclico, clave, tabla y ordenado |
Atributo de predicción |
Continuo, cíclico y ordenado |
Nota
Se admiten los tipos de contenido Cyclical and Ordered, pero el algoritmo los trata como valores discretos y no realiza un procesamiento especial.