Modules de régression
Important
Le support de Machine Learning Studio (classique) prend fin le 31 août 2024. Nous vous recommandons de passer à Azure Machine Learning avant cette date.
À partir du 1er décembre 2021, vous ne pourrez plus créer de nouvelles ressources Machine Learning Studio (classique). Jusqu’au 31 août 2024, vous pouvez continuer à utiliser les ressources Machine Learning Studio (classique) existantes.
- Consultez les informations sur le déplacement des projets de machine learning de ML Studio (classique) à Azure Machine Learning.
- En savoir plus sur Azure Machine Learning.
La documentation ML Studio (classique) est en cours de retrait et ne sera probablement plus mise à jour.
cet article décrit les modules de Machine Learning Studio (classic) qui prennent en charge la création de modèles de régression.
Notes
s’applique à: Machine Learning Studio (classic) uniquement
Des modules par glisser-déposer similaires sont disponibles dans Concepteur Azure Machine Learning.
En savoir plus sur la régression
La régression est une méthodologie utilisée largement dans des domaines allant de l’ingénierie à l’éducation. Par exemple, vous pouvez utiliser la régression pour prédire la valeur d’une maison en fonction des données régionales, ou pour créer des projections relatives à l’inscription future.
les tâches de régression sont prises en charge dans de nombreux outils : par exemple, Excel fournit une analyse « What If », une prévision dans le temps et l’utilitaire d’analyse pour la régression traditionnelle.
les modules de régression dans Machine Learning Studio (classic) incorporent chacun une méthode ou un algorithme différent pour la régression. En général, un algorithme de régression tente d’apprendre la valeur d’une fonction pour une instance de données particulière. Vous pouvez prédire la hauteur d’une personne à l’aide d’une fonction Height ou prédire la probabilité d’admission d’un hôpital en fonction de valeurs de test médical.
Les algorithmes de régression peuvent incorporer l’entrée de plusieurs fonctionnalités, en déterminant la contribution de chaque fonctionnalité des données à la fonction de régression.
Comment créer un modèle de régression
Tout d’abord, sélectionnez l’algorithme de régression qui répond à vos besoins et répond à vos données. Pour obtenir de l’aide, consultez les rubriques suivantes :
Aide-mémoire sur les algorithmes d’apprentissage automatique pour Machine Learning
Fournit un graphique de décision graphique pour vous guider tout au long du processus de sélection.
-
Explique plus en détail les différents types d’algorithmes de Machine Learning et la manière dont ils sont utilisés.
Ajoutez des données d’apprentissage. Veillez à consulter la référence de module pour chaque algorithme à l’avance pour déterminer si les données d’apprentissage ont des exigences particulières, autres qu’un résultat numérique.
Pour effectuer l’apprentissage du modèle, exécutez l’expérience. Une fois que l’algorithme de régression a été appris à partir des données étiquetées, vous pouvez utiliser la fonction qu’il a appris pour effectuer des prédictions sur de nouvelles données.
Liste des modules
- Régression linéaire bayésienne: crée un modèle de régression linéaire bayésienne.
- Régression de l' arbre de décisionoptimisé : crée un modèle de régression à l’aide de l’algorithme d’arbre de décision optimisé.
- Décision de régressionde la forêt : crée un modèle de régression à l’aide de l’algorithme de la forêt de décision.
- Régression quantile de la forêt rapide: crée un modèle de régression quantile.
- Régression linéaire: crée un modèle de régression linéaire.
- Régression de réseau neuronal: crée un modèle de régression à l’aide d’un algorithme de réseau neuronal.
- Régression ordinale: crée un modèle de régression ordinale.
- Régression de poisson: crée un modèle de régression qui suppose que les données ont une distribution de poisson.
Exemples
Pour obtenir des exemples de régression en action, reportez-vous à la Azure ai Gallery.