回归概览
机器学习的一个常见应用场景是，使用基于类似历史数据训练的模型来预测新数据的数值指标值。例如，您可能想要预测房屋的预期售价。通过将房屋的位置和特征用作特征，您可以将此房屋与已售出的类似房屋进行比较，并使用这些房屋的售价来估算此房屋的售价。
您可以将以下任一模型与 ML.PREDICT 函数结合使用，以执行回归：
- 线性回归模型：通过将
MODEL_TYPE选项设置为LINEAR_REG来使用线性回归。 - 提升树模型：通过将
MODEL_TYPE选项设置为BOOSTED_TREE_REGRESSOR，使用梯度提升决策树。 - 随机森林模型：通过将
MODEL_TYPE选项设置为RANDOM_FOREST_REGRESSOR来使用随机森林。 - 深度神经网络 (DNN) 模型：通过将
MODEL_TYPE选项设置为DNN_REGRESSOR来使用神经网络。 - Wide & Deep 模型：通过将
MODEL_TYPE选项设置为DNN_LINEAR_COMBINED_REGRESSOR来使用 Wide & Deep 学习。 - AutoML 模型：通过将
MODEL_TYPE选项设置为AUTOML_REGRESSOR，使用 AutoML 分类模型。
推荐的知识
通过使用 CREATE MODEL 语句和 ML.PREDICT 函数中的默认设置，即使您没有太多机器学习知识，也可以创建和使用回归模型。不过，如果您具备机器学习开发的基本知识，则有助于您优化数据和模型，从而获得更好的结果。我们建议您使用以下资源来熟悉机器学习技术和流程：