Regressiealgoritmen regression-algorithms

Dit document biedt een overzicht van verschillende regressiealgoritmen, waarbij de nadruk ligt op hun configuratie, sleutelparameters en praktisch gebruik in geavanceerde statistische modellen. Regressiealgoritmen worden gebruikt om de relatie tussen afhankelijke en onafhankelijke variabelen te modelleren, waarbij continue resultaten worden voorspeld op basis van waargenomen gegevens. Elke sectie omvat parameterbeschrijvingen en voorbeeldcode om u te helpen deze algoritmen voor taken uitvoeren en optimaliseren zoals lineair, willekeurig bos, en overlevingsregressie.

Decision Tree regressie decision-tree-regression

Decision Tree leren is een onder toezicht staande leermethode die wordt gebruikt in statistieken, datamining en het leren van machines. In deze aanpak wordt een structuur voor de classificatie of de regressiebeslissing gebruikt als een voorspellend model om conclusies te trekken over een reeks waarnemingen.

Parameters

In de onderstaande tabel worden de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van modellen met beslissingsstructuren beschreven.

Voorbeeld

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

Factorization Machines regressie factorization-machines-regression

Factorization Machines is een regressieleeralgoritme dat normale gradiënt descent en de AdamW solver steunt. Het algoritme is gebaseerd op het document door S. Rendle (2010), "Factorization Machines".

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Factorization Machines regression.

Voorbeeld

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

Generalized Linear regressie generalized-linear-regression

In tegenstelling tot lineaire regressie, waarbij ervan wordt uitgegaan dat het resultaat een normale (Gaussiaanse) distributie volgt, staan Generalized Linear Models (GLMs) het resultaat toe om verschillende typen distributies te volgen, zoals Poisson of binomiaal, afhankelijk van de aard van de gegevens.

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Generalized Linear regression.

Voorbeeld

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

Gradient Boosted Tree regressie gradient-boosted-tree-regression

Bomen met verloopversterkingen (GBT's) zijn een effectieve methode voor indeling en regressie die de voorspellingen van meerdere beslissingsbomen combineert om de voorspellende nauwkeurigheid en de prestaties van het model te verbeteren.

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Gradient Boosted Tree regression.

Voorbeeld

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

Isotonic regressie isotonic-regression

Isotonic Regression is een algoritme dat wordt gebruikt om afstanden herhaaldelijk aan te passen terwijl de relatieve orde van ongelijkenissen in de gegevens bewaard blijft.

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Isotonic Regression .

Voorbeeld

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

Linear regressie linear-regression

Linear Regression is een onder toezicht staand computerleeralgoritme dat een lineaire vergelijking met gegevens past om de relatie tussen een afhankelijke variabele en onafhankelijke eigenschappen te modelleren.

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Linear Regression .

Voorbeeld

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

Random Forest Regression random-forest-regression

Random Forest Regression is een ensemble-algoritme dat meerdere beslissingsbomen bouwt tijdens de training en de gemiddelde voorspelling van die bomen voor regressietaken retourneert, waardoor overplaatsing wordt voorkomen.

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Random Forest Regression .

Voorbeeld

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

Survival Regression survival-regression

Survival Regression wordt gebruikt voor het passen van een parametrisch regressiemodel, het Accelerated Failure Time (AFT)-model genoemd, gebaseerd op het Weibull distribution . Het kan instanties in blokken voor betere prestaties stapelen.

Parameters

In de onderstaande tabel staan de belangrijkste parameters voor het configureren en optimaliseren van de prestaties van Survival Regression .

Voorbeeld

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

Volgende stappen

Nadat u dit document hebt gelezen, weet u nu hoe u verschillende regressiealgoritmen kunt configureren en gebruiken. Daarna, verwijs naar de documenten op ​ classificatie ​ en ​ groeperend ​ om over andere soorten geavanceerde statistische modellen te leren.