회귀 알고리즘 regression-algorithms

이 문서에서는 고급 통계 모델에서 다양한 회귀 알고리즘의 구성, 주요 매개 변수 및 실제 사용에 초점을 맞춰 개요를 제공합니다. 회귀 알고리즘은 종속 변수와 독립 변수 간의 관계를 모델링하는 데 사용되며, 관측된 데이터를 기반으로 지속적인 결과를 예측한다. 각 섹션에는 선형, 랜덤 포레스트 및 생존 회귀와 같은 작업에 이러한 알고리즘을 구현하고 최적화하는 데 도움이 되는 매개 변수 설명 및 예제 코드가 포함되어 있습니다.

Decision Tree 회귀 decision-tree-regression

Decision Tree 학습은 통계, 데이터 마이닝 및 기계 학습에 사용되는 지도 학습 방법입니다. 이 접근법에서는 관측치 집합에 대한 결론을 도출하기 위한 예측 모형으로서 분류 또는 회귀 결정 트리가 사용된다.

매개 변수

아래 표에는 의사 결정 트리 모델의 성능을 구성하고 최적화하는 주요 매개 변수가 나와 있습니다.

예

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

Factorization Machines 회귀 factorization-machines-regression

Factorization Machines은(는) 일반 그라데이션 디센션 및 AdamW 솔버를 지원하는 회귀 학습 알고리즘입니다. 알고리즘은 S. Rendle(2010), "Factorization Machines"의 논문을 기반으로 합니다.

매개 변수

아래 표에는 Factorization Machines 회귀의 성능을 구성하고 최적화하기 위한 주요 매개 변수가 나와 있습니다.

예

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

Generalized Linear 회귀 generalized-linear-regression

결과가 보통(가우시안) 분포를 따른다고 가정하는 선형 회귀와 달리, Generalized Linear 모델(GLM)을 사용하면 데이터의 특성에 따라 결과가 Poisson 또는 이항 같은 다양한 유형의 분포를 따르도록 할 수 있습니다.

매개 변수

아래 표에는 Generalized Linear 회귀의 성능을 구성하고 최적화하기 위한 주요 매개 변수가 나와 있습니다.

예

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

Gradient Boosted Tree 회귀 gradient-boosted-tree-regression

그래디언트 부스트 트리(GBT)는 여러 의사 결정 트리의 예측을 결합하여 예측 정확도와 모델 성능을 향상시키는 분류 및 회귀 분석에 효과적인 방법입니다.

매개 변수

아래 표에는 Gradient Boosted Tree 회귀의 성능을 구성하고 최적화하기 위한 주요 매개 변수가 나와 있습니다.

예

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

Isotonic 회귀 isotonic-regression

Isotonic Regression은(는) 데이터의 상대적 불일치 순서를 유지하면서 거리를 반복적으로 조정하는 데 사용되는 알고리즘입니다.

매개 변수

아래 표에서는 Isotonic Regression의 성능을 구성하고 최적화하기 위한 주요 매개 변수에 대해 설명합니다.

예

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

Linear 회귀 linear-regression

Linear Regression은(는) 종속 변수와 독립 기능 간의 관계를 모델링하기 위해 데이터에 선형 방정식에 맞는 감독된 기계 학습 알고리즘입니다.

매개 변수

아래 표에서는 Linear Regression의 성능을 구성하고 최적화하기 위한 주요 매개 변수에 대해 설명합니다.

예

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

Random Forest Regression random-forest-regression

Random Forest Regression은(는) 훈련 중에 여러 결정 트리를 작성하고 회귀 작업에 대한 해당 트리의 평균 예측을 반환하는 앙상블 알고리즘으로, 과적합을 방지하는 데 도움이 됩니다.

매개 변수

아래 표에서는 Random Forest Regression의 성능을 구성하고 최적화하기 위한 주요 매개 변수에 대해 설명합니다.

예

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

Survival Regression survival-regression

Survival Regression은(는) Weibull distribution을(를) 기반으로 하는 Accelerated Failure Time (AFT) 모델이라고 하는 매개 변수 생존 회귀 모델에 맞는 데 사용됩니다. 향상된 성능을 위해 인스턴스를 블록으로 스택할 수 있습니다.

매개 변수

아래 표에서는 Survival Regression의 성능을 구성하고 최적화하기 위한 주요 매개 변수에 대해 설명합니다.

예

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

다음 단계

이 문서를 읽고 나면 이제 다양한 회귀 알고리즘을 구성하고 사용하는 방법을 알 수 있습니다. 다음으로 분류 및 클러스터링에 대한 문서를 참조하여 다른 유형의 고급 통계 모델에 대해 알아보십시오.