回归模块
重要
对机器学习工作室（经典）的支持将于 2024 年 8 月 31 日结束。 建议在该日期之前转换到 Azure 机器学习。
从 2021 年 12 月 1 日开始，你将无法创建新的机器学习工作室（经典）资源。 在 2024 年 8 月 31 日之前，可继续使用现有的机器学习工作室（经典）资源。
ML 工作室（经典）文档即将停用，将来可能不会更新。
本文介绍 机器学习 Studio (经典) 中的模块，这些模块支持创建回归模型。
有关回归的更多信息
回归是一种在从工程到教育的领域广泛使用的方法。 例如，可以使用回归根据区域数据预测房屋的值，或创建有关未来注册的投影。
许多工具都支持回归任务：例如，Excel提供"What If"分析、一段时间的预测，以及用于传统回归的分析工具Pak。
机器学习 Studio (经典) 模块都合并了不同的回归方法或算法。 通常，回归算法会尝试了解特定数据实例的函数值。 可以使用身高函数预测某人身高，或根据医疗测试值预测医院入院的概率。
回归算法可以通过确定数据的每个特征对回归函数的贡献来合并来自多个特征的输入。
如何创建回归模型
首先，选择满足需求并适合数据的回归算法。 有关帮助，请参阅以下主题：
-
提供图形决策图表，引导你完成选择过程。
-
更详细地说明不同类型的机器学习算法及其使用方式。
添加训练数据。 请务必提前查阅每个算法的模块参考，以确定训练数据是否具有除数值结果外的任何特殊要求。
若要训练模型，请运行试验。 回归算法从标记的数据中学习后，可以使用它学到的函数来预测新数据。
模块列表
- 贝叶斯线性回归：创建贝叶斯线性回归模型。
- 提升决策树回归：使用提升决策树算法创建回归模型。
- 决策林回归：使用决策林算法创建回归模型。
- 快速林分位数回归：创建分位数回归模型。
- 线性回归：创建线性回归模型。
- 神经网络回归：使用神经网络算法创建回归模型。
- 序号回归：创建序号回归模型。
- 平衡回归：创建一个假设数据具有平衡分布的回归模型。
示例
有关回归操作的示例，请参阅Azure AI 库。