Cette page a été traduite par l'API Cloud Translation.

Présentation de la régression

Un cas d'utilisation courant du machine learning consiste à prédire la valeur d'une métrique numérique pour de nouvelles données à l'aide d'un modèle entraîné sur des données historiques similaires. Par exemple, vous pouvez prédire le prix de vente attendu d'une maison. En utilisant l'emplacement et les caractéristiques de la maison comme caractéristiques, vous pouvez comparer cette maison à des maisons similaires qui ont déjà été vendues et utiliser leurs prix de vente pour estimer le prix de vente de la maison.

Vous pouvez utiliser l'un des modèles suivants en combinaison avec la fonction ML.PREDICT pour effectuer une régression :

Modèles de régression linéaire : utilisez la régression linéaire en définissant l'option MODEL_TYPE sur LINEAR_REG.
Modèles en arbre de décision à boosting : utilisez un arbre de décision à boosting de gradient en définissant l'option MODEL_TYPE sur BOOSTED_TREE_REGRESSOR.
Modèles de forêt d'arbres décisionnels : utilisez une forêt d'arbres décisionnels en définissant l'option MODEL_TYPE sur RANDOM_FOREST_REGRESSOR.
Modèles de réseau de neurones profond (DNN) : utilisent un réseau de neurones en définissant l'option MODEL_TYPE sur DNN_REGRESSOR.
Modèles Wide & Deep : utilisez le wide et deep learning en définissant l'option MODEL_TYPE sur DNN_LINEAR_COMBINED_REGRESSOR.
Modèles AutoML : utilisez un modèle de classification AutoML en définissant l'option MODEL_TYPE sur AUTOML_REGRESSOR.

Connaissances recommandées

En utilisant les paramètres par défaut dans les instructions CREATE MODEL et la fonction ML.PREDICT, vous pouvez créer et utiliser un modèle de régression même sans grandes connaissances en ML. Toutefois, des connaissances de base sur le développement du ML vous aideront à optimiser à la fois vos données et votre modèle pour obtenir de meilleurs résultats. Nous vous recommandons d'utiliser les ressources suivantes pour vous familiariser avec les techniques et les processus de ML :