La regressione ordinale è un tipo di algoritmo di apprendimento statistico utilizzato per fare previsioni nell'analisi dei dati. È ampiamente utilizzato per analizzare set di dati con valori target che sono numeri interi, categorie o in alcune situazioni valori continui. Si tratta di una tecnica di apprendimento supervisionato che prevede la probabilità che una variabile target categorica si trovi in una categoria da un insieme predefinito di categorie.
La regressione ordinale viene comunemente utilizzata nelle applicazioni di machine learning come la previsione di frodi con carte di credito o diagnosi mediche. Può anche essere utilizzato per la ricerca in settori come la medicina e la psicologia. L'algoritmo funziona trovando una funzione lineare o polinomiale che separa al meglio i dati di input in varie categorie di output.
Ad esempio, l’algoritmo di regressione ordinale potrebbe essere utilizzato per prevedere le relazioni adulto-bambino in un set di dati che incorpora fattori quali età, sesso, posizione, istruzione e tipo di lavoro. Ciascuno dei punti dati potrebbe quindi essere classificato in diverse categorie come madre-figlio, padre-figlio, zia-nipote, ecc. L'algoritmo di regressione ordinale restituirà quindi la relazione adulto-figlio più probabile in base ai dati immessi.
La regressione ordinale viene utilizzata anche nelle ricerche di mercato per comprendere meglio le preferenze dei consumatori. È stato impiegato nelle previsioni e previsioni nelle vendite, nel processo decisionale analitico e persino nel posizionamento dei prodotti nei negozi.
Gli algoritmi più popolari per la regressione ordinale includono la regressione logistica, i classificatori di alberi decisionali, le reti neurali, le macchine a vettori di supporto e i metodi basati sui ranghi. La regressione logistica è l'algoritmo più comunemente utilizzato, poiché è robusto rispetto ai valori anomali e può gestire più categorie, MA tutte le alternative presentano anche vantaggi specifici in determinati scenari.
