FUNDAMENTOS · MACHINE LEARNING · 03
Regression
Prever valores contínuos a partir de dados: quanto, quando ou qual magnitude esperamos para um novo caso.
7 min de leituraNem toda previsão é uma categoria.
Quando a saída desejada é um número contínuo — valor de venda, demanda, tempo de entrega, consumo ou perda esperada — regressão é uma família fundamental de técnicas.
O modelo aprende relações entre variáveis de entrada e um valor observado historicamente para estimar esse valor em novos casos.
OUTPUT
Features → Modelo → Valor estimado
Diferente da classificação, que separa casos em categorias, regressão procura estimar uma magnitude.
Quanto de um produto ou serviço provavelmente será necessário.
Preço, receita, custo ou valor esperado de um evento.
Tempo de entrega, duração ou vida útil estimada.
Magnitude de perda ou exposição esperada em determinado cenário.
ERRO
A distância entre previsto e realizado importa
Métricas como MAE, MSE e RMSE ajudam a medir o tamanho dos erros sob perspectivas diferentes. A escolha depende de quanto erros grandes devem ser penalizados e de como o resultado será usado.
Mais importante que otimizar uma métrica isolada é entender se o erro é aceitável para a decisão de negócio.
CONTEXTO
Previsão não é causalidade
Um modelo pode identificar relações úteis para prever sem demonstrar que uma variável causa outra. Essa distinção é importante quando a organização pretende usar a previsão para definir intervenções ou políticas.
Predizer o que acontecerá e explicar por que acontecerá são problemas relacionados, mas diferentes.
NA PRÁTICA
Estimativa de valor
Regressão é adequada quando a saída desejada é contínua, como valor, tempo ou demanda.
PRINCÍPIO
Regression estima magnitude. O valor empresarial depende de quão útil essa estimativa é para planejar, priorizar ou decidir.