Regressionsmoduler
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
I den här artikeln beskrivs modulerna i Machine Learning Studio (klassisk) som stöder skapandet av regressionsmodeller.
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Mer om regression
Regression är en metod som används mycket inom allt från teknik till utbildning. Du kan till exempel använda regression för att förutsäga värdet för ett hus baserat på regionala data eller för att skapa prognoser om framtida registrering.
Regressionsuppgifter stöds i många verktyg: till exempel Excel tillhandahåller "What If"-analys, prognoser över tid och Analysis Tool Regression för traditionell regression.
Modulerna för regression i Machine Learning Studio (klassisk) innehåller olika metoder, eller algoritmer, för regression. I allmänhet försöker en regressionsalgoritm lära sig värdet av en funktion för en viss instans av data. Du kan förutsäga någons längd med hjälp av en höjdfunktion eller förutsäga sannolikheten för sjukhusantagning baserat på värden för medicinska test.
Regressionsalgoritmer kan införliva indata från flera funktioner genom att fastställa bidraget från varje funktion i data till regressionsfunktionen.
Så här skapar du en regressionsmodell
Välj först den regressionsalgoritm som uppfyller dina behov och passar dina data. Mer hjälp finns i följande avsnitt:
Lathund för maskininlärningsalgoritmer för Machine Learning
Innehåller ett grafiskt beslutsdiagram som vägleder dig genom urvalsprocessen.
Så här väljer Machine Learning algoritmer för klustring, klassificering eller regression
Beskriver i detalj de olika typerna av maskininlärningsalgoritmer och hur de används.
Lägg till träningsdata. Se till att läsa modulreferensen för varje algoritm i förväg för att avgöra om träningsdata har några andra särskilda krav än ett numeriskt resultat.
Kör experimentet för att träna modellen. När regressionsalgoritmen har lärt sig från märkta data kan du använda funktionen den lärde dig för att göra förutsägelser om nya data.
Lista över moduler
- Bayesiansk linjär regression: Skapar en bayesisk linjär regressionsmodell.
- Boosted Decision Tree Regression (Förstärkt beslutsträds regression): Skapar en regressionsmodell med hjälp av algoritmen för förstärkt beslutsträd.
- Regression av beslutsskog: Skapar en regressionsmodell med hjälp av beslutsskogens algoritm.
- Fast Forest Quantile Regression: Skapar en modell för kvantil regression.
- Linjär regression: Skapar en linjär regressionsmodell.
- Regression av neuralt nätverk: Skapar en regressionsmodell med hjälp av en algoritm för neuralt nätverk.
- Ordningstals regression: Skapar en ordningstals regressionsmodell.
- Poisson Regression: Skapar en regressionsmodell som förutsätter att data har en Poisson-fördelning.
Exempel
Exempel på regression i praktiken finns i Azure AI Gallery.