Regressão
Regression
Tarefa de ML
BásicoCategoria: Aprendizado e tarefas de MLSubcategoria: Tarefas de ML
O que significa
É a tarefa de Machine Learning em que o modelo prevê um valor numérico contínuo, e não uma categoria. O resultado pode ser um preço, um tempo de entrega, uma demanda, um custo ou qualquer outra quantidade.
Diferentemente da classificação, em que a resposta é certa ou errada, na regressão a resposta tem uma distância em relação ao valor real. Por isso, a qualidade é medida pelo tamanho do erro: em média, quanto o modelo erra, e com que frequência erra muito.
Um bom modelo de regressão não entrega apenas um número, mas também uma noção de incerteza, como uma faixa de valores prováveis. Essa informação é muitas vezes mais útil para o produto do que a estimativa pontual.
Como usar na prática de produto
Em Produto, regressão aparece sempre que o usuário ou o negócio precisa de uma estimativa numérica: quanto vai custar, quanto tempo vai levar, quanto vamos vender.
Uma decisão importante é como apresentar o resultado. Um número exato cria expectativa: se o produto diz “seu pedido chega em 42 minutos” e chega em 60, o usuário sente que foi enganado. Uma faixa, como “entre 40 e 60 minutos”, comunica a incerteza e evita frustração. Essa escolha de formato é uma decisão de Produto, não do modelo.
Também vale entender que tipo de erro dói mais. Errar um pouco em muitos casos pode ser aceitável; errar muito em poucos casos pode gerar reclamações e disputas. Isso orienta a métrica que o time deve acompanhar.
Quando usar este termo ou outro
Use regressão quando o resultado esperado é um valor numérico contínuo.
Use classificação quando basta saber a categoria, mesmo que ela represente uma faixa, como “baixo”, “médio” e “alto”.
Use previsão de séries temporais quando o valor depende fortemente da ordem no tempo, como vendas por dia ou tráfego por hora. Séries temporais são um tipo de regressão com técnicas próprias.
Uma forma simples de diferenciar: classificação responde “qual categoria?”; regressão responde “quanto?”.
Exemplos de aplicação
- Logística: estimar o tempo de entrega de um pedido para exibir ao cliente.
- Precificação: sugerir o preço de um imóvel, veículo ou produto a partir de suas características.
- Demanda: prever o volume de vendas ou de atendimentos para dimensionar equipes e estoque.
- Financeiro: estimar o valor provável de uma reclamação ou de um sinistro.
- Marketing: prever o valor que um cliente tende a gastar ao longo do tempo (LTV).
- Operações: estimar o consumo de energia ou de recursos de um equipamento.
Origem do termo
Termo de Francis Galton (1886), 'regressão à média'; a regressão linear é o modelo estatístico mais antigo em uso.
Fonte técnica
Google Machine Learning Glossary; Google ML Crash Course, Linear Regression