Regressziós modulok
Fontos
A (klasszikus) Machine Learning Studio támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy addig térjen át az Azure Machine Learning használatára.
2021. december 1-től kezdve nem fog tudni létrehozni új (klasszikus) Machine Learning Studio-erőforrásokat. 2024. augusztus 31-ig továbbra is használhatja a meglévő (klasszikus) Machine Learning Studio-erőforrásokat.
- További információ a gépi tanulási projektek a ML Studióból a klasszikusból a Azure Machine Learning.
- További információ a Azure Machine Learning.
A (klasszikus) ML Studio dokumentációjának kivezetése folyamatban van, és a jövőben nem várható a frissítése.
Ez a cikk a Machine Learning Studio (klasszikus) moduljait ismerteti, amelyek támogatják a regressziós modellek létrehozását.
Megjegyzés
A következőkre vonatkozik: Machine Learning Studio (klasszikus)
Hasonló húzással használható modulok érhetők el Azure Machine Learning tervezőben.
További információk a regresszióról
A regresszió széles körben használt módszertan a mérnöki területtől az oktatásig. A regresszióval például előre jelezheti egy ház értékét regionális adatok alapján, vagy előrejelzéseket készíthet a jövőbeli regisztrációról.
A regressziós feladatokat számos eszköz támogatja: a Excel például "What If" elemzést, előrejelezést az idő előrejelezését és az Analysis ToolPak for traditional regression (Elemzési eszközpak a hagyományos regresszióhoz) lehetőséget biztosít.
A Machine Learning Studio (klasszikus) regressziós moduljai más-más módszert vagy algoritmust tartalmaznak a regresszióhoz. A regressziós algoritmusok általában egy adott adatpéldány függvényének értékét próbálja meg megtanulni. A magasság függvény használatával előrejelezni lehet valaki magasságát, vagy egészségügyi tesztértékek alapján előrejelezni a kórház felvételének valószínűségét.
A regressziós algoritmusok az adatok egyes jellemzőinek a regressziós függvényhez való hozzájárulásának meghatározásával több jellemző bemenetét is beépítik.
Regressziós modell létrehozása
Először válassza ki az igényeinek megfelelő és az adatoknak megfelelő regressziós algoritmust. Ha segítségre van szüksége, tekintse meg az alábbi témaköröket:
Gépi tanulási algoritmusok adatlapja Machine Learning
Grafikus döntési diagramot biztosít, amely végigvezeti a kiválasztási folyamaton.
A Machine Learning, besorolási vagy regressziós algoritmusok kiválasztása
Részletesebben ismerteti a gépi tanulási algoritmusok különböző típusait és azok használatával együtt.
Betanítás adatainak hozzáadása. Mindenképpen tekintse át előre az egyes algoritmusok modulreferenciáját annak megállapításához, hogy a betanítási adatoknak vannak-e speciális követelményei a numerikus eredményeken kívül.
A modell betanításhoz futtassa a kísérletet. Miután a regressziós algoritmus megtanulta a címkével jelölt adatokból, a megtanult függvénnyel előrejelzéseket kaphat az új adatokról.
Modulok listája
- Bayes-lineáris regresszió: Bayes-irányú lineáris regressziós modellt hoz létre.
- A döntési fa regressziója megnövelt: Regressziós modellt hoz létre a döntési fa (Boosted Decision Tree) algoritmus használatával.
- Döntési erdőregresszió: Regressziós modellt hoz létre a döntési erdő algoritmusával.
- Gyors erdő kvantilises regresszió: Kvantilis regressziós modellt hoz létre.
- Lineáris regresszió: Lineáris regressziós modellt hoz létre.
- Neurális hálózati regresszió: Regressziós modellt hoz létre egy neurális hálózati algoritmussal.
- Sorszámregresszió: Sorszámregressziós modellt hoz létre.
- Poisson Regresszió: Olyan regressziós modellt hoz létre, amely feltételezi, hogy az adatok eloszlása Poisson-eloszlást tartalmaz.
Példák
A regresszió gyakorlati példáiért lásd a Azure AI Gallery.