Regressionsalgoritmer regression-algorithms

Detta dokument ger en översikt över olika regressionsalgoritmer, med fokus på deras konfiguration, nyckelparametrar och praktiska användning i avancerade statistiska modeller. Regressionsalgoritmer används för att modellera förhållandet mellan beroende och oberoende variabler, och förutsäga kontinuerliga utfall baserat på observerade data. Varje avsnitt innehåller parameterbeskrivningar och exempelkod som hjälper dig att implementera och optimera dessa algoritmer för uppgifter som linjära, slumpmässiga skogar och överlevnadsregression.

Decision Tree-regression decision-tree-regression

Decision Tree-inlärning är en övervakad inlärningsmetod som används i statistik, datautvinning och maskininlärning. I detta tillvägagångssätt används ett klassificerings- eller regressionsbeslutsträd som en prediktiv modell för att dra slutsatser om en uppsättning observationer.

Parametrar

Tabellen nedan visar nyckelparametrar för konfiguration och optimering av prestanda för beslutsträdsmodeller.

Exempel

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

Factorization Machines-regression factorization-machines-regression

Factorization Machines är en algoritm för regressionsinlärning som stöder normal övertoningsnedbrytning och AdamW-lösaren. Algoritmen baseras på papperet från S. Rendle (2010), Factorization Machines.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestandan för regressionen Factorization Machines.

Exempel

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

Generalized Linear-regression generalized-linear-regression

Till skillnad från linjär regression, som förutsätter att resultatet följer en normal (Gaussisk) fördelning, tillåter Generalized Linear modeller (GLM) att resultatet följer olika typer av distributioner, som Poisson eller binomial, beroende på datatypen.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestandan för regressionen Generalized Linear.

Exempel

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

Gradient Boosted Tree-regression gradient-boosted-tree-regression

Övertoningsdrivna träd (GBT) är en effektiv metod för klassificering och regression som kombinerar förutsägelser från flera beslutsträd för att förbättra prediktiv precision och modellprestanda.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestandan för regressionen Gradient Boosted Tree.

Exempel

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

Isotonic-regression isotonic-regression

Isotonic Regression är en algoritm som används för att iterativt justera avstånd samtidigt som den relativa ordningen för skillnader i data bevaras.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Isotonic Regression.

Exempel

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

Linear-regression linear-regression

Linear Regression är en maskininlärningsalgoritm som övervakas och som passar en linjär ekvation till data för att modellera relationen mellan en beroende variabel och oberoende funktioner.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Linear Regression.

Exempel

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

Random Forest Regression random-forest-regression

Random Forest Regression är en ensemble-algoritm som bygger flera beslutsträd under träningen och returnerar den genomsnittliga prognosen för dessa träd för regressionsuppgifter, vilket bidrar till att förhindra överpassning.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Random Forest Regression.

Exempel

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

Survival Regression survival-regression

Survival Regression används för att passa en parametrisk överlevnadsregressionsmodell, som kallas Accelerated Failure Time (AFT)-modellen, baserat på Weibull distribution. Den kan stapla instanser i block för bättre prestanda.

Parametrar

Tabellen nedan visar nyckelparametrar för konfigurering och optimering av prestanda för Survival Regression.

Exempel

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

Nästa steg

När du har läst det här dokumentet vet du nu hur du konfigurerar och använder olika regressionsalgoritmer. Läs sedan dokumenten om klassificering och klustring om du vill veta mer om andra typer av avancerade statistiska modeller.