貝氏線性迴歸
重要
Machine Learning 工作室 (傳統) 的支援將於 2024 年 8 月 31 日結束。 建議您在該日期之前轉換成 Azure Machine Learning。
自 2021 年 12 月 1 日起，您將無法建立新的 Machine Learning 工作室 (傳統) 資源。 在 2024 年 8 月 31 日之前，您可以繼續使用現有的 Machine Learning 工作室 (傳統) 資源。
ML 工作室 (傳統) 文件即將淘汰，未來將不再更新。
建立貝氏線性迴歸模型
模組概觀
本文描述如何在機器學習 Studio (傳統) 中使用貝氏線性回歸模組，以根據貝氏統計資料來定義回歸模型。
定義模型參數之後，您必須使用已加上標籤的資料集和「 定型模型 」模組來定型模型。 然後，定型的模型就可用來進行預測。 或者，未定型的模型可以傳遞至 交叉驗證模型 ，以根據加上標籤的資料集進行交叉驗證。
深入瞭解貝氏回歸
在統計資料中，貝氏迴歸的方法通常會對照 frequentist 方法。
貝氏方法會使用線性迴歸，補充先前的機率分配的表單中的其他資訊。 前一個參數的相關資訊會結合可能性函式來產生參數估計值。
相反地，frequentist 方法是由標準最小方形線性迴歸表示，假設資料包含足夠的度量單位，以建立有意義的模型。
如需此演算法背後研究的詳細資訊，請參閱 技術 提示一節中的連結。
如何設定貝氏回歸
將 貝氏線性回歸 模組新增至您的實驗。 您可以在 [回歸] 分類中的 [機器學習、初始化] 下找到此模組。
正規化權數：輸入要用於正規化的值。 正則化可用來避免過度學習。 此權數對應于 L2。 如需詳細資訊，請參閱 技術附注 一節。
允許未知的類別層級：選取此選項可建立未知值的群組。 模型只能接受定型資料中包含的值。 模型的已知值可能較不精確，但是針對新的 (未知的) 值提供更好的預測。
連線訓練資料集，以及其中一個定型模組。 此模型類型沒有可在參數清除中變更的參數，因此雖然您可以使用 微調模型超參數來定型模型，但它無法自動將模型優化。
選取您要建立模型或預測的單一數值資料行。
執行實驗。
結果
定型完成後：
範例
如需回歸模型的範例，請參閱 Azure AI 資源庫。
- 比較回歸模型範例：對比數種不同類型的回歸模型。
技術說明
這文字方塊在機器學習：模式辨識和機器學習、Christopher Bishop、springer link Verlag、2007中會詳細說明 lambda 係數的使用方式。
您可以從 Microsoft Research 網站以 PDF 下載的形式取得本文： 貝氏回歸和分類
模組參數
| 名稱 | 範圍 | 類型 | 預設 | 描述 |
|---|---|---|---|---|
| 正則化權數 | >=double.Epsilon | Float | 1.0 | 輸入要用於正則化的常數。 該常數代表權數精確度高於雜訊精確度的比例。 |
| 允許不明類別層級 | 任意 | 布林值 | true | 如果為 true，則會為每個類別資料行建立額外層級。 測試資料集內若有任何層級是定型資料集內所有沒有的，則會對應到此額外層級。 |
輸出
| 名稱 | 類型 | 描述 |
|---|---|---|
| 未定型的模型 | ILearner 介面 | 未定型的貝氏線性迴歸模型 |