回帰アルゴリズム regression-algorithms

このドキュメントでは、高度な統計モデルでの設定、主要なパラメーター、実際の使用方法に重点を置いて、様々な回帰アルゴリズムの概要を説明します。 回帰アルゴリズムは、従属変数と独立変数の関係をモデル化し、観測されたデータに基づいて継続的な結果を予測するために使用されます。 各セクションには、線形、ランダムフォレスト、生存回帰などのタスクに対してこれらのアルゴリズムを実装し、最適化するのに役立つパラメーターの説明とサンプルコードが含まれています。

Decision Tree 回帰 decision-tree-regression

Decision Tree learning は、統計、データマイニング、および機械学習で使用される監視付き学習方法です。 このアプローチでは、分類または回帰決定ツリーを予測モデルとして使用して、一連の観測に関する結論を導き出します。

パラメーター

次の表に、デシジョンツリーモデルのパフォーマンスを設定および最適化するための主要なパラメーターの概要を示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'decision_tree_regression'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Factorization Machines 回帰 factorization-machines-regression

Factorization Machines は、通常の勾配降下と AdamW ソルバをサポートする回帰学習アルゴリズムです。 アルゴリズムは、S.Rendle （2010）の論文「Factorization Machines」に基づいています。

パラメーター

次の表に、回帰のパフォーマンスを設定および最適化するための主要なパラメーター Factorization Machines 概要を示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'factorization_machines_regression'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Generalized Linear 回帰 generalized-linear-regression

結果が通常の（ガウス）分布に従うことを前提とする線形回帰とは異なり、Generalized Linear モデル（GLM）では、データの性質に応じて、Poisson や二項などの異なるタイプの分布に結果を従うことができます。

パラメーター

次の表に、回帰のパフォーマンスを設定および最適化するための主要なパラメーター Generalized Linear 概要を示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'generalized_linear_reg'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Gradient Boosted Tree 回帰 gradient-boosted-tree-regression

グラデーションブーストツリー（GBT）は、複数のデシジョンツリーの予測を組み合わせて、予測精度とモデルパフォーマンスを向上させる分類および回帰の効果的な方法です。

パラメーター

次の表に、回帰のパフォーマンスを設定および最適化するための主要なパラメーター Gradient Boosted Tree 概要を示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'gradient_boosted_tree_regression'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Isotonic 回帰 isotonic-regression

Isotonic Regression は、データの非類似性の相対的な順序を維持しながら、距離を反復的に調整するために使用されるアルゴリズムです。

パラメーター

Isotonic Regression のパフォーマンスの設定と最適化のための主要なパラメーターの概要を次の表に示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'isotonic_regression'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Linear 回帰 linear-regression

Linear Regression は、従属変数と独立特性の関係をモデル化するために、線形方程式をデータに適合させる監視付き機械学習アルゴリズムです。

パラメーター

Linear Regression のパフォーマンスの設定と最適化のための主要なパラメーターの概要を次の表に示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'linear_reg'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Random Forest Regression random-forest-regression

Random Forest Regression は、トレーニング中に複数のデシジョンツリーを構築し、回帰タスクに関するそれらのツリーの平均予測を返すアンサンブルアルゴリズムで、オーバーフィッティングを防ぐのに役立ちます。

パラメーター

Random Forest Regression のパフォーマンスの設定と最適化のための主要なパラメーターの概要を次の表に示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'random_forest_regression'
) AS
  SELECT col1, col2, col3 FROM training-dataset

Survival Regression survival-regression

Survival Regression は、Weibull distribution に基づいて、Accelerated Failure Time （AFT）モデルと呼ばれるパラメトリックサバイバル回帰モデルに適合させるために使用されます。 パフォーマンスを向上させるために、インスタンスをブロックにスタックできます。

パラメーター

Survival Regression のパフォーマンスの設定と最適化のための主要なパラメーターの概要を次の表に示します。

例

CREATE MODEL modelname OPTIONS(
  type = 'survival_regression'
) AS
  SELECT col1, col2, col3 FROM training-dataset

次の手順

このドキュメントでは、様々な回帰アルゴリズムの設定方法と使用方法を確認しました。 次に、他のタイプの高度な統計モデルについて詳しくは、 分類および クラスタリングに関するドキュメントを参照してください。