Regresszió
Felügyelt gépi tanulási feladat, amelyben egy modell folytonos vagy számszerű értéket becsül a bemeneti adatok alapján.
Analógia
Mint amikor korábbi megfigyelések alapján megbecsülöd egy út várható menetidejét, tudva, hogy a becslés nem ígéret.
Miért fontos?
Regresszióval például mennyiségek vagy várható értékek becsülhetők, de az eredmény bizonytalanságát és az adatok korlátait is figyelembe kell venni.
Hogyan működik?
A regresszió a gépi tanulásban olyan feladat, amelyben a modell számszerű értéket becsül a bemeneti adatok alapján. A célérték lehet például időtartam, kereslet vagy energiafogyasztás. A modellt korábbi példákból tanítják: minden példához ismert bemenet és hozzá tartozó számérték szükséges. A regresszió különbözik a besorolástól, ahol a rendszer előre megadott kategóriák közül választ. A becslés lehet pontatlan, ezért a hibát megfelelő mérőszámokkal és olyan adatokon kell vizsgálni, amelyeket a modell nem használt a tanulás során.
A regressziós modell a megfigyelt adatokban található kapcsolatokat használja, de ez nem jelenti, hogy feltárja az okokat. Ha a környezet megváltozik vagy a tanítóadat hiányos, a becslések megbízhatatlanná válhatnak. A kimenet értelmezésekor érdemes figyelembe venni a becslési hibát, a szélsőséges eseteket és a modell érvényességi tartományát. A regresszió hasznos lehet tervezéshez vagy előrejelzéshez, de döntés előtt más információval és szakmai ítélettel is össze kell vetni. A pontos módszert a feladat jellege határozza meg.
Példa
Egy közlekedési csapat korábbi forgalmi adatokból becsüli meg, mennyi ideig tart majd egy út egy adott napszakban.
Gyakori tévhit
A regressziós becslés nem bizonyosság, és az együtt változó adatok önmagukban nem bizonyítanak ok-okozati kapcsolatot.