--- schema_version: "1" id: dc877ac80de65f50dd2d1a3432a9cd77126ad84d9fb8596eef443ac7b42ab076 title: Scelta di un modello predittivo collection: tableau version: next locale: it-it portal_url: https://docs.salesforce.com/tableau/next/it-it/pro/desktop/predictions_choosing_model.md canonical_url: https://help.tableau.com/v0.0/pro/desktop/it-it/predictions_choosing_model.htm source_site: help.tableau.com content_type: documentation content_hash: 57ddd47c26317d02c12007adb2746a24cd995c11d9d7c93a6416cc9db322b637 description: Choose a predictive model among linear, regularized, and Gaussian process regression. --- [Passa al contenuto principale](#main-content) # Scelta di un modello predittivo Le funzioni di modellazione predittiva supportano la regressione lineare, la regressione lineare regolarizzata e la regressione con processo gaussiano. Questi modelli supportano diversi casi di utilizzo e tipi di previsioni, oltre ad avere limitazioni differenti. ## Modelli supportati ### Regressione lineare La [regressione lineare](https://en.wikipedia.org/wiki/Linear_regression) (anche denominata regressione ordinaria dei minimi quadrati, o OLS) è ideale quando vi sono uno o più predittori che hanno una relazione lineare tra la previsione e la destinazione di previsione, non sono influenzati dalle stesse condizioni sottostanti e non rappresentano due istanze degli stessi dati (ad esempio, vendite espresse sia in dollari che in euro). La regressione lineare è il modello predefinito per le funzioni di modellazione predittiva in Tableau: se non specifichi un modello, verrà utilizzata la regressione lineare. Puoi specificare in modo esplicito questo modello includendo **"model=linear"** come primo argomento nel calcolo tabella. #### Esempio: `MODEL_QUANTILE( "model=linear", 0.5, SUM([Sales]), ATTR(DATETRUNC('month',([Order Date])) )` ### Regressione lineare regolarizzata La [regressione lineare regolarizzata](https://en.wikipedia.org/wiki/Regularized_least_squares) è particolarmente indicata quando esiste una relazione lineare approssimativa tra due o più variabili indipendenti, anche denominata [multicollinearità](https://en.wikipedia.org/wiki/Multicollinearity). Questo avviene spesso negli insiemi di dati reali. Per utilizzare questo modello anziché la regressione lineare predefinita, includi **"model=rl"** come primo argomento nel calcolo tabella. #### Esempio: `MODEL_QUANTILE( "model=rl", 0.5, SUM([Sales]), ATTR(DATETRUNC('month',([Order Date])) )` ### Regressione con processo gaussiano La [regressione con processo gaussiano](https://en.wikipedia.org/wiki/Gaussian_process) è particolarmente indicata quando si generano previsioni in un dominio continuo, ad esempio il tempo o lo spazio, o quando esiste una relazione non lineare tra la variabile e la destinazione di previsione. La regressione con processo gaussiano in Tableau deve avere una singola dimensione **ordinata** come predittore, ma può includere più dimensioni **non ordinate** come predittori. Tieni presente che le misure non possono essere utilizzate come predittori nella regressione con processo gaussiano in Tableau. Per utilizzare questo modello anziché la regressione lineare predefinita, includi **"model=gp"** come primo argomento nel calcolo tabella. **Nota:** una dimensione _ordinata_ è qualsiasi dimensione i cui valori possono essere sequenziati, ad esempio MESE. Una dimensione _non ordinata_ è qualsiasi dimensione i cui valori non hanno una sequenza intrinseca, ad esempio sesso o colore. #### Esempio: `MODEL_PERCENTILE( "model=gp", AVG([Days to Ship Actual]), ATTR(DATETRUNC('month',([Order Date]))) )` Come semplice euristica, puoi utilizzare i seguenti criteri per selezionare il modello: - **Regressione lineare (impostazione predefinita):** da utilizzare quando disponi di un solo predittore e tale predittore ha una relazione lineare con la metrica di destinazione. - **Regressione lineare regolarizzata**: da utilizzare quando disponi di più predittori, soprattutto quando tali predittori hanno una relazione lineare con la metrica di destinazione e tali predittori sono probabilmente influenzati da relazioni o tendenze sottostanti simili. - **Regressione con processo gaussiano:** da utilizzare quando disponi di predittori di tempo o spazio o quando utilizzi predittori che potrebbero non avere una relazione lineare con la metrica di destinazione.