回歸演演算法 regression-algorithms

本檔案提供各種回歸演演算法的概觀，重點是它們的設定、關鍵引數，以及在進階統計模型中的實際使用。 回歸演演算法可用來建立相依變數和獨立變數之間的關係模型，根據觀察到的資料來預測連續結果。 每個區段都包含引數說明和範常式式碼，協助您針對如線性、隨機森林和生存回歸等工作，實作和最佳化這些演演算法。

Decision Tree回歸 decision-tree-regression

Decision Tree學習是一種監督學習方法，用於統計資料、資料採礦和機器學習。 在這個方法中，分類或回歸決策樹會作為預測模型來得出關於一組觀察結果的結論。

參數

下表概述用於設定和最佳化決策樹模型效能的關鍵引數。

範例

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

Factorization Machines回歸 factorization-machines-regression

Factorization Machines是回歸學習演演算法，支援一般漸層下降和AdamW求解器。 演演算法是以S. Rendle (2010)的論文"Factorization Machines"為基礎。

參數

下表概述設定和最佳化Factorization Machines回歸效能的關鍵引數。

範例

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

Generalized Linear回歸 generalized-linear-regression

與線性回歸(假設結果遵循正態（高斯）分佈)不同，Generalized Linear模型(GLM)允許結果遵循不同型別的分佈，例如Poisson或二項式，具體取決於資料的性質。

參數

下表概述設定和最佳化Generalized Linear回歸效能的關鍵引數。

範例

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

Gradient Boosted Tree回歸 gradient-boosted-tree-regression

漸層提升樹(GBT)是分類和回歸的有效方法，結合多個決策樹的預測，以改進預測精確度和模型效能。

參數

下表概述設定和最佳化Gradient Boosted Tree回歸效能的關鍵引數。

範例

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

Isotonic回歸 isotonic-regression

Isotonic Regression是一種演演算法，用來反複調整距離，同時保留資料中的相對不相同順序。

參數

下表概述設定和最佳化Isotonic Regression效能的關鍵引數。

範例

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

Linear回歸 linear-regression

Linear Regression是一種監督的機器學習演演算法，可將線性方程式配合到資料，以模擬相依變數和獨立特徵之間的關係。

參數

下表概述設定和最佳化Linear Regression效能的關鍵引數。

範例

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

Random Forest Regression random-forest-regression

Random Forest Regression是一種整體演演算法，可在訓練期間建立多個決策樹，並傳回這些決策樹用於回歸任務的平均預測，有助於防止過度擬合。

參數

下表概述設定和最佳化Random Forest Regression效能的關鍵引數。

範例

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

Survival Regression survival-regression

Survival Regression是用來根據Weibull distribution調整引數存活回歸模型，稱為Accelerated Failure Time (AFT)模型。 它可以將執行個體棧疊到區塊中以提高效能。

參數

下表概述設定和最佳化Survival Regression效能的關鍵引數。

範例

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

後續步驟

閱讀本檔案後，您現在瞭解如何設定和使用各種回歸演演算法。 接著，參閱分類和叢集上的檔案，瞭解其他型別的進階統計模型。