Moduli di regressione
Importante
Il supporto dello studio di Azure Machine Learning (versione classica) terminerà il 31 agosto 2024. È consigliabile passare ad Azure Machine Learning entro tale data.
A partire dal 1° dicembre 2021 non sarà possibile creare nuove risorse dello studio di Azure Machine Learning (versione classica). Fino al 31 agosto 2024 sarà possibile continuare a usare le risorse dello studio di Azure Machine Learning (versione classica).
- Vedere leinformazioni sullo spostamento di progetti di Machine Learning da ML Studio (versione classica) ad Azure Machine Learning.
- Altre informazioni sulle Azure Machine Learning.
La documentazione relativa allo studio di Machine Learning (versione classica) è in fase di ritiro e potrebbe non essere aggiornata in futuro.
Questo articolo descrive i moduli in Machine Learning Studio (versione classica) che supportano la creazione di modelli di regressione.
Nota
Si applica a: Machine Learning Studio (versione classica)
Moduli di trascinamento della selezione simili sono disponibili nella finestra Azure Machine Learning progettazione.
Altre informazioni sulla regressione
La regressione è una metodologia ampiamente usata in campi che vanno dalla progettazione all'istruzione. Ad esempio, è possibile usare la regressione per stimare il valore di una casa in base ai dati regionali o per creare proiezioni sulla registrazione futura.
Le attività di regressione sono supportate in molti strumenti: ad esempio, Excel fornisce analisi "What If", previsione nel tempo e Strumenti di analisiPak per la regressione tradizionale.
I moduli per la regressione in Machine Learning Studio (versione classica) incorporano ognuno un metodo o un algoritmo diverso per la regressione. In generale, un algoritmo di regressione tenta di apprendere il valore di una funzione per una particolare istanza di dati. È possibile stimare l'altezza di un utente usando una funzione di altezza o stimare la probabilità di ricovero in ospedale in base ai valori dei test medici.
Gli algoritmi di regressione possono incorporare l'input da più funzionalità, determinando il contributo di ogni funzionalità dei dati alla funzione di regressione.
Come creare un modello di regressione
Selezionare prima di tutto l'algoritmo di regressione che soddisfi le proprie esigenze e soddisfi i dati. Per informazioni, vedere gli argomenti seguenti:
Foglio di controllo dell'algoritmo di Machine Learning per Machine Learning
Fornisce un grafico delle decisioni che guida l'utente nel processo di selezione.
Come scegliere gli Machine Learning per il clustering, la classificazione o la regressione
Illustra in modo più dettagliato i diversi tipi di algoritmi di Machine Learning e il modo in cui vengono usati.
Aggiungere i dati di training. Assicurarsi di consultare il riferimento al modulo per ogni algoritmo in anticipo, per determinare se i dati di training hanno requisiti speciali, diversi da un risultato numerico.
Per eseguire il training del modello, eseguire l'esperimento. Dopo che l'algoritmo di regressione ha appreso dai dati etichettati, è possibile usare la funzione appresa per eseguire stime sui nuovi dati.
Elenco di moduli
- Regressione lineare bayesiana: crea un modello di regressione lineare bayesiana.
- Regressione dell'albero delle decisioni con boosting: crea un modello di regressione usando l'algoritmo Boosted Decision Tree.
- Regressione della foresta decisionale: crea un modello di regressione usando l'algoritmo decision forest.
- Regressione quantile della foresta veloce: crea un modello di regressione quantile.
- Regressione lineare: crea un modello di regressione lineare.
- Regressione rete neurale: crea un modello di regressione usando un algoritmo di rete neurale.
- Regressione ordinale: crea un modello di regressione ordinale.
- Regressione di Poisson: crea un modello di regressione che presuppone che i dati abbia una distribuzione di Poisson.
Esempio
Per esempi di regressione in azione, vedere l'Azure AI Gallery.