AI, Gépi tanulás, ML regression (regresszió)
A regression (regresszió) a gépi tanulásban egy olyan feladatot jelent, amely során egy folytonos kimeneti változót próbálunk megjósolni egy vagy több bemeneti változó alapján. A regressziós modellek célja az adatok közötti összefüggések feltárása és egy matematikai függvény megtalálása, amely a legjobban illeszkedik a tanuló adatokhoz.
Ha egy modell segítségével azt szeretnénk előrejelezni, hogy egy adott ingatlan ára (folytonos érték) hogyan függ például az alapterülettől, a szobák számától és a lokációtól, akkor egy regressziós problémával van dolgunk.
Főbb regressziós algoritmusok:
- Lineáris regresszió (Linear Regression) – Egyszerű és többszörös lineáris kapcsolatokat modellez.
- Polinomiális regresszió (Polynomial Regression) – Nemlineáris összefüggéseket is képes modellezni.
- Ridge és Lasso regresszió – Regularizációt alkalmaz a túlilleszkedés elkerülésére.
- Logisztikus regresszió (Logistic Regression) – Noha a nevében szerepel a „regresszió” szó, valójában klasszifikációs problémákra használják.
- Döntési fák és Random Forest regresszió – Fa alapú modellek, amelyek jól kezelik az összetettebb kapcsolatrendszereket.
- Neurális hálók regressziója – Komplex és nemlineáris összefüggéseket is képesek modellezni.
A regressziós modellek kiértékelésére gyakran használnak metrikákat, például Mean Squared Error (MSE), Root Mean Squared Error (RMSE) vagy Mean Absolute Error (MAE), amelyek a modell pontosságát mérik.