Módulos de regressão
Importante
O suporte para o Estúdio de ML (clássico) terminará a 31 de agosto de 2024. Recomendamos a transição para o Azure Machine Learning até essa data.
A partir de 1 de dezembro de 2021, não poderá criar novos recursos do Estúdio de ML (clássico). Até 31 de agosto de 2024, pode continuar a utilizar os recursos existentes do Estúdio de ML (clássico).
- Consulte informações sobre projetos de machine learning em movimento de ML Studio (clássico) para Azure Machine Learning.
- Saiba mais sobre Azure Machine Learning.
A documentação do Estúdio de ML (clássico) está a ser descontinuada e poderá não ser atualizada no futuro.
Este artigo descreve os módulos em Machine Learning Studio (clássico) que suportam a criação de modelos de regressão.
Nota
Aplica-se a: Machine Learning Studio (clássico) apenas
Módulos semelhantes de arrasto e queda estão disponíveis em Azure Machine Learning designer.
Mais sobre regressão
A regressão é uma metodologia muito utilizada em áreas que vão da engenharia à educação. Por exemplo, pode usar a regressão para prever o valor de uma casa com base em dados regionais, ou para criar projeções sobre as futuras matrículas.
As tarefas de regressão são suportadas em muitas ferramentas: por exemplo, Excel fornece a análise "E Se", a previsão ao longo do tempo, e o ToolPak de análise para a regressão tradicional.
Os módulos para a regressão no Machine Learning Studio (clássico) incorporam cada um um método diferente, ou algoritmo, para regressão. Em geral, um algoritmo de regressão tenta aprender o valor de uma função para um determinado caso de dados. Pode prever a altura de alguém usando uma função de altura, ou prever a probabilidade de internamento hospitalar com base nos valores dos testes médicos.
Os algoritmos de regressão podem incorporar a entrada de múltiplas funcionalidades, determinando a contribuição de cada característica dos dados para a função de regressão.
Como criar um modelo de regressão
Em primeiro lugar, selecione o algoritmo de regressão que atenda às suas necessidades e se adapte aos seus dados. Para obter ajuda, consulte estes tópicos:
Folha de batota de algoritmo de aprendizagem de máquinas para Machine Learning
Fornece um gráfico de decisão gráfico para guiá-lo através do processo de seleção.
Como escolher algoritmos Machine Learning para agrupamento, classificação ou regressão
Explica em maior detalhe os diferentes tipos de algoritmos de aprendizagem automática e como são usados.
Adicione dados de treino. Certifique-se de consultar a referência do módulo para cada algoritmo com antecedência, para determinar se os dados de treino têm requisitos especiais, além de um resultado numérico.
Para treinar o modelo, fazer a experiência. Depois de o algoritmo de regressão ter aprendido com os dados rotulados, pode utilizar a função que aprendeu a fazer previsões sobre novos dados.
Lista de módulos
- Regressão Linear Bayesiana: Cria um modelo de regressão linear bayesiana.
- Regressão da Árvore da Decisão Reforçada: Cria um modelo de regressão utilizando o algoritmo da Árvore de Decisão Reforçada.
- Decisão Regressão Florestal: Cria um modelo de regressão utilizando o algoritmo da floresta de decisão.
- Fast Forest Quantile Regression: Cria um modelo de regressão quântica.
- Regressão Linear: Cria um modelo linear de regressão.
- Regressão da Rede Neural: Cria um modelo de regressão utilizando um algoritmo de rede neural.
- Regressão Ordinal: Cria um modelo de regressão ordinal.
- Poisson Regression: Cria um modelo de regressão que assume que os dados têm uma distribuição Poisson.
Exemplos
Por exemplo, regressão em ação, consulte a Galeria Azure AI.