Microsoft 선형 회귀 알고리즘

아티클
07/30/2013

Microsoft 선형 회귀 알고리즘은 종속 변수와 독립 변수 간의 선형 관계를 계산하고 이 관계를 예측에 사용하는 데 도움이 되는 Microsoft 의사 결정 트리 알고리즘의 변형입니다.

이 관계는 데이터 계열을 가장 잘 나타내는 선에 대한 수식 형식을 사용합니다. 예를 들어 다음 다이어그램의 선은 데이터를 가장 잘 나타내는 선형 표시입니다.

데이터 집합을 모델링하는 선

다이어그램의 각 데이터 요소에는 회귀선으로부터의 거리와 관련된 오류가 있습니다. 회귀 수식에서 계수 a와 b는 회귀선의 각도와 위치를 조정합니다. 모든 요소와 관련된 오류 수의 합계가 최소가 될 때까지 a와 b를 조정하여 회귀 수식을 얻을 수 있습니다.

여러 변수를 사용하는 다른 유형의 회귀도 있으며 비선형 회귀 방법도 있습니다. 그러나 선형 회귀는 일부 기본 요소의 변경에 대한 응답을 모델링하는 데 있어 유용하고 잘 알려진 방법입니다.

예

선형 회귀를 사용하여 두 연속 열 간의 관계를 확인할 수 있습니다. 예를 들어 선형 회귀를 사용하여 제조 또는 판매 데이터로부터 추세 선을 계산할 수 있습니다. 또한 선형 회귀를 보다 복합적인 데이터 마이닝 모델 개발을 위한 전신으로 사용하여 데이터 열 간의 관계를 평가할 수도 있습니다.

데이터 마이닝 도구가 필요 없는 선형 회귀 계산 방법도 많이 있지만 이 태스크에 Microsoft 선형 회귀 알고리즘을 사용함으로써 얻을 수 있는 장점은 변수 간의 가능한 모든 관계가 자동으로 계산 및 테스트된다는 것입니다. 최소 제곱 구하기와 같은 계산 방법을 선택할 필요가 없습니다. 그러나 선형 회귀는 여러 가지 요소가 결과에 영향을 미치는 시나리오에서 관계를 지나치게 단순화할 수 있습니다.

알고리즘 작동 방법

Microsoft 선형 회귀 알고리즘은 Microsoft 의사 결정 트리 알고리즘의 변형입니다. Microsoft 선형 회귀 알고리즘을 선택하면 알고리즘의 동작을 강제하고 특정 입력 데이터 형식을 요구하는 매개 변수와 함께 Microsoft 의사 결정 트리 알고리즘의 특수한 사례가 호출됩니다. 또한 표준 의사 결정 트리 모델이 데이터를 작은 하위 집합 또는 트리로 반복해서 분할하는 데 반해 선형 회귀 모델에서는 초기 패스의 관계 계산에 전체 데이터 집합이 사용됩니다.

선형 회귀 모델에 필요한 데이터

선형 회귀 모델에 사용할 데이터를 준비할 때는 특정 알고리즘에 대한 요구 사항을 알고 있어야 합니다. 여기에는 데이터의 필요 정도와 사용 방식이 포함됩니다. 이 모델 유형의 요구 사항은 다음과 같습니다.

단일 key 열 각 모델은 각 레코드를 고유하게 식별하는 숫자 또는 텍스트 열을 하나 포함해야 합니다. 복합 키는 사용할 수 없습니다.
예측 가능한 열 하나 이상의 예측 가능한 열이 필요합니다. 여러 예측 가능한 특성을 모델에 포함할 수 있지만 예측 가능한 특성은 연속 숫자 데이터 형식이어야 합니다. 데이터에 대한 기본 저장소가 숫자인 경우라도 datetime 데이터 형식은 예측 가능한 특성으로 사용할 수 없습니다.
입력 열 입력 열에는 연속 숫자 데이터가 포함되어야 하며 적절한 데이터 형식이 할당되어야 합니다.

자세한 내용은 Microsoft 선형 회귀 알고리즘 기술 참조의 요구 사항 섹션을 참조하십시오.

선형 회귀 모델 보기

Microsoft 트리 뷰어를 사용하여 모델을 탐색할 수 있습니다. 선형 회귀 모델에 대한 트리 구조는 매우 간단하며 회귀 수식에 대한 모든 정보는 단일 노드에 포함됩니다. 자세한 내용은 Microsoft 트리 뷰어를 사용하여 모델 찾아보기를 참조하십시오.

수식에 대한 세부 정보를 보려면 Microsoft 일반 콘텐츠 트리 뷰어를 사용하여 계수 및 기타 세부 정보를 확인하십시오.

선형 회귀 모델의 경우 모델 콘텐츠에는 메타데이터, 회귀 수식 및 입력 값의 분산에 대한 통계가 포함됩니다. 자세한 내용은 선형 회귀 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.

예측 만들기

모델을 처리한 후에는 결과가 선형 회귀 수식과 함께 일련의 통계로 저장되며 이를 사용하여 향후 추세를 계산할 수 있습니다. 선형 회귀 모델에서 사용하는 쿼리의 예는 선형 회귀 모델 쿼리 예제를 참조하십시오.

마이닝 모델에 대한 쿼리를 만드는 방법은 데이터 마이닝 쿼리를 참조하십시오.

Microsoft 선형 회귀 알고리즘을 선택하여 선형 회귀 모델을 만드는 것 외에, 예측 가능한 특성이 연속 숫자 데이터 형식인 경우 회귀를 포함하는 의사 결정 트리 모델도 만들 수 있습니다. 이 경우 알고리즘은 적절한 분할 지점을 찾으면 데이터를 분할하지만 일부 데이터 영역에 대해서는 분할하는 대신 회귀 수식을 만듭니다. 의사 결정 트리 모델 내의 회귀에 대한 자세한 내용은 의사 결정 트리 모델에 대한 마이닝 모델 콘텐츠(Analysis Services - 데이터 마이닝)를 참조하십시오.