Algoritmos de regressão regression-algorithms

Este documento fornece uma visão geral de vários algoritmos de regressão, com foco em sua configuração, parâmetros principais e uso prático em modelos estatísticos avançados. Algoritmos de regressão são são usados para modelar a relação entre variáveis dependentes e independentes, prevendo resultados contínuos com base em dados observados. Cada seção inclui descrições de parâmetros e código de exemplo para ajudar você a implementar e otimizar esses algoritmos para tarefas como linear, random forest e regressão de sobrevivência.

Regressão Decision Tree decision-tree-regression

O aprendizado Decision Tree é um método de aprendizado supervisionado usado em estatísticas, mineração de dados e aprendizado de máquina. Nesta abordagem, uma árvore decisória de classificação ou regressão é usada como modelo preditivo para tirar conclusões sobre um conjunto de observações.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho dos modelos de árvore de decisão.

Exemplo

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

Regressão Factorization Machines factorization-machines-regression

Factorization Machines é um algoritmo de aprendizado de regressão com suporte para descida de gradiente normal e resolução AdamW. O algoritmo é baseado no artigo de S. Rendle (2010), "Factorization Machines."

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho da regressão Factorization Machines.

Exemplo

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

Regressão Generalized Linear generalized-linear-regression

Ao contrário da regressão linear, que assume que o resultado segue uma distribuição normal (Gaussiana), Modelos Generalized Linear (GLMs) permitem que o resultado siga diferentes tipos de distribuições, como Poisson ou binomial, dependendo da natureza dos dados.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho da regressão Generalized Linear.

Exemplo

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

Regressão Gradient Boosted Tree gradient-boosted-tree-regression

As árvores com aumento de gradiente (GBTs) são um método eficaz de classificação e regressão que combina as previsões de várias árvores de decisão para melhorar a precisão preditiva e o desempenho do modelo.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho da regressão Gradient Boosted Tree.

Exemplo

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

Regressão Isotonic isotonic-regression

Isotonic Regression é um algoritmo usado para ajustar interativamente distâncias, preservando a ordem relativa de diferenças nos dados.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho do Isotonic Regression.

Exemplo

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

Regressão Linear linear-regression

Linear Regression é um algoritmo supervisionado de aprendizado de máquina que se ajusta a uma equação linear para dados, a fim de modelar a relação entre uma variável dependente e recursos independentes.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho do Linear Regression.

Exemplo

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

Random Forest Regression random-forest-regression

Random Forest Regression é um algoritmo de conjunto que cria várias árvores de decisão durante o treinamento e retorna a previsão média dessas árvores para tarefas de regressão, ajudando a evitar a sobreposição.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho do Random Forest Regression.

Exemplo

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

Survival Regression survival-regression

Survival Regression é usado para ajustar um modelo de regressão de sobrevivência paramétrica, conhecido como o modelo Accelerated Failure Time (AFT), baseado em Weibull distribution. Ele pode empilhar instâncias em blocos para melhorar o desempenho.

Parâmetros

A tabela abaixo descreve os principais parâmetros para configurar e otimizar o desempenho do Survival Regression.

Exemplo

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

Próximas etapas

Depois de ler este documento, agora você sabe como configurar e usar vários algoritmos de regressão. Em seguida, consulte os documentos em classificação e clustering para saber mais sobre outros tipos de modelos estatísticos avançados.