Non aggiorniamo più il servizio Amazon Machine Learning né accettiamo nuovi utenti. Questa documentazione è disponibile per gli utenti esistenti, ma non la aggiorniamo più. Per ulteriori informazioni, consulta [Cos'è Amazon Machine Learning](https://docs.aws.amazon.com/machine-learning/latest/dg/what-is-amazon-machine-learning.html).

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

# Regressione
<a name="regression"></a>

Per le attività di regressione, i parametri abituali dell'accuratezza sono la radice dell'errore quadratico medio (RMSE - Root Mean Square Error) e l'errore assoluto medio percentuale (MAPE - Mean Absolute Percentage Error). Questi parametri misurano la distanza tra il target numerico previsto e la risposta numerica effettiva (dati acquisiti sul campo). In Amazon ML, la metrica RMSE viene utilizzata per valutare l'accuratezza predittiva di un modello di regressione.

![](http://docs.aws.amazon.com/it_it/machine-learning/latest/dg/images/mlconcepts_image4.png)


Figura 3: distribuzione dei residui per un modello di regressione

È prassi comune esaminare i *residui* per cercare problemi di regressione. Un residuo di un'osservazione nei dati di valutazione è la differenza tra il target reale e il target previsto. I residui rappresentano quella parte del target che il modello non è in grado di prevedere. Un residuo positivo indica che il modello sta sottovalutando il target (il target effettivo è più grande del target previsto). Un residuo negativo indica una sopravvalutazione (il target effettivo è più piccolo del target previsto). L'istogramma dei residui relativi ai dati di valutazione, ove distribuito con una forma a campana e centrato sullo zero, indica che il modello compie errori in modo aleatorio e non sovra-prevede o sotto-prevede sistematicamente una determinata gamma di valori target. Se i residui non assumono una forma a campana centrata sullo zero, è presente una struttura nell'errore di previsione del modello. L'aggiunta di ulteriori variabili al modello potrebbero aiutarlo ad acquisire il pattern che non viene acquisito dal modello attuale.