Regressão linear Bayesiana
Importante
O suporte para o Machine Learning Studio (clássico) terminará em 31 de agosto de 2024. É recomendável fazer a transição para o Azure Machine Learning até essa data.
A partir de 1º de dezembro de 2021, você não poderá criar recursos do Machine Learning Studio (clássico). Até 31 de agosto de 2024, você pode continuar usando os recursos existentes do Machine Learning Studio (clássico).
- Confira informações sobre como mover projetos de machine learning do ML Studio (clássico) para o Azure Machine Learning.
- Saiba mais sobre o Azure Machine Learning.
A documentação do ML Studio (clássico) está sendo desativada e pode não ser atualizada no futuro.
Cria um modelo de regressão linear Bayesiana
Categoria: Machine Learning/Inicializar modelo/regressão
Observação
Aplica-se a: Machine Learning Studio (clássico) somente
Módulos semelhantes do tipo "arrastar e soltar" estão disponíveis no designer do Azure Machine Learning.
Visão geral do módulo
Este artigo descreve como usar o módulo Regressão Linear Bayesiana no Machine Learning Studio (clássico) para definir um modelo de regressão com base em estatísticas bayesianas.
Depois de definir os parâmetros de modelo, você deve treinar o modelo usando um conjuntos de dados marcados e o módulo Treinar Modelo. O modelo treinado pode então ser usado para fazer previsões. Como alternativa, o modelo não treinado pode ser passado para o Modelo de Validação Cruzada para validação cruzada em um conjunto de dados rotulado.
Mais sobre a regressão bayesiana
Em estatísticas, a abordagem Bayesiana para regressão é geralmente contrastada com a abordagem frequentista.
A abordagem Bayesiana usa a regressão linear complementada com informações adicionais na forma de uma distribuição de probabilidade anterior. As informações anteriores sobre os parâmetros são combinadas com uma função de probabilidade para gerar previsões para os parâmetros.
Por outro lado, a abordagem frequentista, representada pela regressão linear quadrada mínima padrão, assume que os dados contém medidas suficientes para criar um modelo significativo.
Para obter mais informações sobre a pesquisa por trás desse algoritmo, consulte os links na seção Notas técnicas.
Como configurar a Regressão Bayesiana
Adicione o módulo Regressão Linear Bayesiana ao seu experimento. Você pode encontrar este módulo em Machine Learning, Inicializar, na categoria Regressão.
Peso da regularização: digite um valor a ser usado para regularização. A regularização é usada para evitar o superajuste. Esse peso corresponde a L2. Para obter mais informações, consulte a seção Notas técnicas.
Permitir níveis categóricos desconhecidos: selecione esta opção para criar um grupo para valores desconhecidos. O modelo pode aceitar apenas os valores contidos nos dados de treinamento. O modelo pode ser menos preciso em valores conhecidos, mas fornece previsões melhores para novos valores (desconhecidos).
Conexão um conjuntos de dados de treinamento e um dos módulos de treinamento. Esse tipo de modelo não tem parâmetros que podem ser alterados em uma varredura de parâmetro, portanto, embora você possa treinar o modelo usando Ajustar Hiperparérmetros de Modelo, ele não pode otimizar automaticamente o modelo.
Selecione a única coluna numérica que você deseja modelar ou prever.
Execute o experimento.
Resultados
Após a conclusão do treinamento:
- Para ver um resumo dos parâmetros do modelo, clique com o botão direito do mouse na saída do módulo Treinar Modelo e selecione Visualizar.
- Para criar previsões, use o modelo treinado como uma entrada para Pontuar Modelo.
Exemplos
Para ver exemplos de modelos de regressão, consulte a Galeria de IA do Azure.
- Exemplo comparar modelos de regressão: contrasta vários tipos diferentes de modelos de regressão.
Observações técnicas
O uso do coeficiente lambda é descrito em detalhes neste livro sobre o aprendizado de máquina: Reconhecimento de padrões e Machine Learning, Christopher Christopher, Springer-Verlag, 2007.
Este artigo está disponível como um download em PDF do site da Microsoft Research: Regressão Bayesiana e Classificação
Parâmetros do módulo
| Nome | Intervalo | Type | Padrão | Descrição |
|---|---|---|---|---|
| Peso de regularização | >=double.Epsilon | Float | 1,0 | Digite uma constante para usar em regularização. A constante representa a taxa de precisão de peso antes da precisão de ruído. |
| Permitir níveis categóricos desconhecidos | Qualquer | Boolean | true | Se true, cria um nível adicional para cada coluna categórica. Todos os níveis no conjunto de dados de teste não disponíveis no conjunto de dados de treinamento são mapeados para esse nível adicional. |
Saídas
| Nome | Tipo | Descrição |
|---|---|---|
| Modelo não treinado | Interface ILearner | Um modelo de regressão linear Bayesiana não treinado |