--- schema_version: "1" id: a245e3c1ba8d9f1aa2565625934dec62f667b46539d692c742b44c2af58eb5fd title: Escolha de um modelo preditivo collection: tableau version: current locale: pt-br portal_url: https://docs.salesforce.com/tableau/current/pt-br/public/desktop/predictions_choosing_model.md canonical_url: https://help.tableau.com/current/public/desktop/pt-br/predictions_choosing_model.htm source_site: help.tableau.com content_type: documentation content_hash: 50611f19fe4319b815ee0dae56e20d86bda380d3397127f60e2fbe0673a3432c description: Choose a predictive model among linear, regularized, and Gaussian process regression. --- [Pular para o conteúdo principal](#main-content) # Escolha de um modelo preditivo Funções de modelagem preditiva aceitam regressão linear, regressão linear regularizada e regressão do processo gaussiano. Esses modelos aceitam diferentes casos de uso e tipos de previsão, além de terem diferentes limitações. ## Modelos compatíveis ### Regressão linear [A regressão linear](https://en.wikipedia.org/wiki/Linear_regression) (também conhecida como regressão de quadrados mínimos comuns, ou OLS) é melhor utilizada quando há um ou mais preditores que têm uma relação linear entre a previsão e o alvo de previsão, eles não são afetados pelas mesmas condições subjacentes, e não representam duas instâncias dos mesmos dados (por exemplo, vendas expressas em dólares e euros). A regressão linear é o modelo padrão para funções de modelagem preditiva no Tableau; se você não especificar um modelo, a regressão linear será usada. Você pode especificar explicitamente este modelo, incluindo **"model=linear”** como o primeiro argumento no cálculo da tabela. #### Exemplo: `MODEL_QUANTILE( "model=linear", 0.5, SUM([Sales]), ATTR(DATETRUNC('month',([Order Date])) )` ### Regressão linear regularizada A [regressão linear regularizada](https://en.wikipedia.org/wiki/Regularized_least_squares) é melhor utilizada quando há uma relação linear aproximada entre duas ou mais variáveis independentes — também conhecida como [multicolinearidade.](https://en.wikipedia.org/wiki/Multicollinearity) Isso é frequentemente observado em conjuntos de dados do mundo real. Para usar este modelo em vez da regressão linear padrão, inclua **"model=rl”** como o primeiro argumento no cálculo da tabela. #### Exemplo: `MODEL_QUANTILE( "model=rl", 0.5, SUM([Sales]), ATTR(DATETRUNC('month',([Order Date])) )` ### Regressão do processo gaussiano A [regressão do processo gaussiano](https://en.wikipedia.org/wiki/Gaussian_process) é melhor utilizada ao gerar previsões em um domínio contínuo, como tempo ou espaço, ou quando há uma relação não linear entre a variável e o alvo de previsão. A regressão do processo gaussiano no Tableau deve ter uma **única dimensão ordenada** como preditor, mas pode incluir múltiplas dimensões **não ordenadas** como preditores. Observe que as medidas não podem ser usadas como preditores na regressão do processo gaussiano no Tableau. Para usar este modelo em vez da regressão linear padrão, inclua **"model=gp”** como o primeiro argumento no cálculo da tabela. **Observação:** uma dimensão _ordenada_ é qualquer uma cujos valores podem ser sequenciados, como MÊS. Uma dimensão _não ordenada_ é qualquer uma cujos valores não têm uma sequência inerente, como gênero ou cor. #### Exemplo: `MODEL_PERCENTILE( "model=gp", AVG([Days to Ship Actual]), ATTR(DATETRUNC('month',([Order Date]))) )` Como uma heurística simples, você pode usar os critérios abaixo para selecionar seu modelo: - **Regressão linear (padrão):** use quando tiver apenas um preditor, e esse preditor tem uma relação linear com a métrica de destino. - **Regressão linear regularizada:** use quando você tem vários preditores, especialmente quando esses preditores têm uma relação linear com a métrica-alvo e são provavelmente afetados por relações ou tendências subjacentes semelhantes. - **Regressão do processo gaussiano:** use quando você tem preditores de tempo ou espaço, ou está usando preditores que podem não ter uma relação linear com a métrica-alvo.