회귀 모듈
중요
Machine Learning Studio(클래식)에 대한 지원은 2024년 8월 31일에 종료됩니다. 해당 날짜까지 Azure Machine Learning으로 전환하는 것이 좋습니다.
2021년 12월 1일부터 새로운 Machine Learning Studio(클래식) 리소스를 만들 수 없습니다. 2024년 8월 31일까지는 기존 Machine Learning Studio(클래식) 리소스를 계속 사용할 수 있습니다.
- ML Studio(클래식)에서 Azure Machine Learning으로 기계 학습 프로젝트 이동에 대한 정보를 참조하세요.
- Azure Machine Learning에 대한 자세한 정보.
ML Studio(클래식) 설명서는 사용 중지되며 나중에 업데이트되지 않을 수 있습니다.
이 문서에서는 회귀 모델 만들기를 지원하는 Machine Learning Studio(클래식)의 모듈에 대해 설명합니다.
회귀에 대한 자세한 정보
회귀는 엔지니어링에서 교육까지 다양한 분야에서 널리 사용되는 방법론입니다. 예를 들어 회귀를 사용하여 지역 데이터를 기반으로 주택의 값을 예측하거나 향후 등록에 대한 예측을 만들 수 있습니다.
회귀 작업은 많은 도구에서 지원됩니다. 예를 들어 Excel "What If" 분석, 시간에 따른 예측 및 기존 회귀를 위한 분석 도구Pak을 제공합니다.
Machine Learning Studio(클래식)의 회귀 모듈은 각각 회귀를 위해 다른 메서드 또는 알고리즘을 통합합니다. 일반적으로 회귀 알고리즘은 데이터의 특정 인스턴스에 대한 함수의 값을 학습하려고 합니다. 높이 함수를 사용하여 다른 사람의 높이를 예측하거나 의료 테스트 값에 따라 입원 확률을 예측할 수 있습니다.
회귀 알고리즘은 데이터의 각 기능이 회귀 함수에 기여하도록 결정하여 여러 기능의 입력을 통합할 수 있습니다.
회귀 모델을 만드는 방법
먼저 요구 사항을 충족하고 데이터에 적합한 회귀 알고리즘을 선택합니다. 도움말은 다음 항목을 참조하세요.
Machine Learning 대한 기계 학습 알고리즘 치트 시트
선택 과정을 안내하는 그래픽 의사 결정 차트를 제공합니다.
클러스터링, 분류 또는 회귀에 대한 Machine Learning 알고리즘을 선택하는 방법
다양한 유형의 기계 학습 알고리즘 및 사용 방법을 자세히 설명합니다.
학습 데이터를 추가합니다. 학습 데이터에 숫자 결과 이외의 특별한 요구 사항이 있는지 확인하려면 각 알고리즘에 대한 모듈 참조를 미리 참조해야 합니다.
모델을 학습하려면 실험을 실행합니다. 회귀 알고리즘이 레이블이 지정된 데이터에서 학습한 후 학습한 함수를 사용하여 새 데이터에 대한 예측을 수행할 수 있습니다.
모듈 목록
- Bayesian 선형 회귀: Bayesian 선형 회귀 모델을 만듭니다.
- 향상된 의사 결정 트리 회귀: 향상된 의사 결정 트리 알고리즘을 사용하여 회귀 모델을 만듭니다.
- 의사 결정 포리스트 회귀: 의사 결정 포리스트 알고리즘을 사용하여 회귀 모델을 만듭니다.
- 빠른 포리스트 분위수 회귀: 분위수 회귀 모델을 만듭니다.
- 선형 회귀: 선형 회귀 모델을 만듭니다.
- 신경망 회귀: 신경망 알고리즘을 사용하여 회귀 모델을 만듭니다.
- 서수 회귀: 서수 회귀 모델을 만듭니다.
- 포아송 회귀: 데이터에 포아송 분포가 있다고 가정하는 회귀 모델을 만듭니다.
예
작동 중인 회귀의 예는 Azure AI 갤러리를 참조하세요.