---
schema_version: "1"
id: 6ff1fe4bea6a0bb3c24873ddccd3943a8e50bb46cf5f35adc4a50b3fd6d2e33c
title: Välja en prediktiv modell
collection: tableau
version: current
locale: sv-se
portal_url: https://docs.salesforce.com/tableau/current/sv-se/public/desktop/predictions_choosing_model.md
canonical_url: https://help.tableau.com/current/public/desktop/sv-se/predictions_choosing_model.htm
source_site: help.tableau.com
content_type: documentation
content_hash: 93db7e7d2400585d3431434a83ff7e52d147a07bf12af2344107123c1e5106b8
description: Choose a predictive model among linear, regularized, and Gaussian process regression.
---
[Hoppa till huvudinnehåll](#main-content)

# Välja en prediktiv modell

Prediktiva modelleringsfunktioner stöder linjär regression, reglerad linjär regression och gaussisk processregression. De här modellerna stöder olika användningsfall och prediktionstyper, och har dessutom olika begränsningar.

## Modeller med stöd

### Linjär regression

[Linjär regression](https://en.wikipedia.org/wiki/Linear_regression) (även känd som regression av vanliga minsta kvadrater) är som mest behjälplig om det finns en eller fler prediktorer med en linjär relation mellan prediktionen och prediktionsmål som inte påverkas av samma underliggande förhållanden eller representerar två instanser av samma data (t.ex. försäljning som anges i både dollar och euro). Linjär regression är standard för prediktiva modeller i Tableau. Om du inte väljer en specifik modell används linjär regression. Det går att uttryckligen specificera modellen genom att inkludera **”model=linear”** som första argument i tabellberäkningen.

#### Exempel:

`MODEL_QUANTILE(   "model=linear",   0.5,   SUM([Sales]),   ATTR(DATETRUNC('month',([Order Date]))   )`

### Reglerad linjär regression

[Reglerad linjär regression](https://en.wikipedia.org/wiki/Regularized_least_squares) är som mest behjälplig om det finns en ungefärlig linjär relation mellan två fristående variabler – även kallat [multikollinearitet](https://en.wikipedia.org/wiki/Multicollinearity). Detta observeras ofta i verkliga datauppsättningar. Inkludera **”model=rl”** som första argument i tabellberäkningen för att använda den här modellen i stället för den standardmässiga linjära regressionen.

#### Exempel:

`MODEL_QUANTILE(   "model=rl",   0.5,   SUM([Sales]),   ATTR(DATETRUNC('month',([Order Date]))   )`

### Gaussisk processregression

[Gaussisk processregression](https://en.wikipedia.org/wiki/Gaussian_process) är som mest behjälplig vid skapande i kontinuerliga domäner, som tid och rum, eller om det finns en icke linjär relation mellan variabeln och prediktionsmålet. Vid gaussisk processregression i Tableau krävs en enskild **sorterad** dimension som prediktion, men den kan inkludera flera **osorterade** dimensioner som prediktorer. Tänk på att det inte går att använda mätvärden som prediktorer vid gaussisk processregression i Tableau. Inkludera **”model=gp”** som första argument i tabellberäkningen för att använda den här modellen i stället för den standardmässiga linjära regressionen.

**Obs!** _Sorterade_ dimensioner omfattar värden som används i sekvenser t.ex.MÅNAD. En _osorterad_ dimension är en dimension vars värden inte har någon inneboende sekvens, som till exempel kön och färg.

#### Exempel:

`MODEL_PERCENTILE(   "model=gp",   AVG([Days to Ship Actual]),   ATTR(DATETRUNC('month',([Order Date])))   )`

  

Använd kriterierna nedan för att välja modell på ett enkelt heuristiskt sätt:

- **Linjär regression (standard):** Använd om du endast har en prediktor och denna prediktor har en linjär relation med målvärdet.
- **Reglerad linjär regression:** Använd om du har flera prediktorer, framför allt prediktorer med linjära relationer till mätvärdet och som troligtvis påverkas av liknande underliggande relationer och trender.
- **Gaussisk processregression:** Använd om du använder tid- och rumsprediktorer eller prediktorer som saknar linjär relation med mätvärdet.