Regresión lineal bayesiana
Importante
El soporte técnico de Machine Learning Studio (clásico) finalizará el 31 de agosto de 2024. Se recomienda realizar la transición a Azure Machine Learning antes de esa fecha.
A partir del 1 de diciembre de 2021 no se podrán crear recursos de Machine Learning Studio (clásico). Hasta el 31 de agosto de 2024, puede seguir usando los recursos de Machine Learning Studio (clásico) existentes.
- Consulte la información acerca de traslado de proyectos de aprendizaje automático de ML Studio (clásico) a Azure Machine Learning.
- Más información sobre Azure Machine Learning.
La documentación de ML Studio (clásico) se está retirando y es posible que no se actualice en el futuro.
Crea un modelo de regresión lineal bayesiana
Categoría: Machine Learning/ Inicializar modelo/Regresión
Nota:
Solo se aplica a: Machine Learning Studio (clásico)
Hay módulos para arrastrar y colocar similares en el diseñador de Azure Machine Learning.
Información general sobre el módulo
En este artículo se describe cómo usar el módulo Bayesian Linear Regression en Machine Learning Studio (clásico) para definir un modelo de regresión basado en estadísticas bayesianas.
Después de definir los parámetros del modelo, debe entrenar el modelo mediante un conjunto de datos etiquetado y el módulo Entrenar modelo. A continuación, el modelo entrenado podrá usarse para realizar predicciones. Como alternativa, el modelo sin entrenar se puede pasar a Modelo de validación cruzada para la validación cruzada en un conjunto de datos etiquetado.
Más información sobre la regresión bayesiana
En estadística, el enfoque bayesiano de regresión se suele contrastar con el enfoque frecuentista.
El enfoque bayesiano usa la regresión lineal complementada con información adicional en forma de distribución de probabilidad anterior. La información previa sobre los parámetros se combina con una función de probabilidad para generar estimaciones de los parámetros.
En cambio, en el enfoque frecuentista, representado por la regresión lineal de mínimos cuadrados estándar, se presupone que los datos contienen suficientes medidas como para crear un modelo significativo.
Para obtener más información sobre la investigación detrás de este algoritmo, vea los vínculos de la sección Notas técnicas.
Configuración de la regresión bayesiana
Agregue el módulo Bayesian Linear Regression (Regresión lineal bayesiana ) al experimento. Puede encontrar este módulo en Machine Learning,Inicializar, en la categoría Regresión.
Peso de regularización: escriba un valor que se usará para la regularización. Regularization se utiliza para evitar el desbordamiento. Este peso corresponde a L2. Para más información, consulte la sección Notas técnicas .
Permitir niveles de categorías desconocidos: seleccione esta opción para crear una agrupación para valores desconocidos. El modelo solo puede aceptar los valores contenidos en los datos de entrenamiento. El modelo puede ser menos preciso en los valores conocidos, pero proporcionar mejores predicciones para los nuevos valores (desconocidos).
Conectar un conjunto de datos de entrenamiento y uno de los módulos de entrenamiento. Este tipo de modelo no tiene parámetros que se puedan cambiar en un barrido de parámetros, por lo que, aunque puede entrenar el modelo mediante Optimizar hiperparámetros del modelo, no puede optimizarlo automáticamente.
Seleccione la columna numérica única que desea modelar o predecir.
Ejecute el experimento.
Results
Una vez completado el entrenamiento:
- Para ver un resumen de los parámetros del modelo, haga clic con el botón derecho en la salida del módulo Entrenar modelo y seleccione Visualizar.
- Para crear predicciones, use el modelo entrenado como entrada para Puntuar modelo.
Ejemplos
Para obtener ejemplos de modelos de regresión, consulte el Azure AI Gallery.
- Ejemplo de comparación de modelos de regresión: contrasta varios tipos diferentes de modelos de regresión.
Notas técnicas
El uso del coeficiente lambda se describe en detalle en este artículo sobre el aprendizaje automático: Reconocimiento de patrones y Machine Learning, Chris Fuse, Springer-Verini, 2007.
Este artículo está disponible como descarga en PDF desde el sitio de Microsoft Research: Clasificación y regresión bayesiana
Parámetros del módulo
| Nombre | Intervalo | Tipo | Valor predeterminado | Descripción |
|---|---|---|---|---|
| Peso de regularización | >=double.Epsilon | Float | 1,0 | Escribir una constante para utilizarla en regularización. La constante representa la proporción de la precisión del peso antes de la precisión de ruido. |
| Permitir niveles de categorías desconocidos | Any | Boolean | true | Si es true, crea un nivel adicional para cada columna de categoría. Los niveles del conjunto de datos de prueba no disponibles en el conjunto de datos de entrenamiento se asignan a este nivel adicional. |
Salidas
| Nombre | Tipo | Descripción |
|---|---|---|
| Modelo no entrenado | Interfaz ILearner | Un modelo de regresión lineal bayesiana no entrenado |