A regressão ordinal é um tipo de algoritmo de aprendizagem estatística usado para fazer previsões na análise de dados. É amplamente utilizado para analisar conjuntos de dados com valores alvo que são números inteiros, categorias ou, em algumas situações, valores contínuos. É uma técnica de aprendizagem supervisionada que prevê a probabilidade de uma variável-alvo categórica estar em uma categoria de um conjunto predefinido de categorias.
A regressão ordinal é comumente usada em aplicativos de aprendizado de máquina, como previsão de fraude de cartão de crédito ou diagnóstico médico. Também pode ser usado para pesquisas em áreas como medicina e psicologia. O algoritmo funciona encontrando uma função linear ou polinomial que melhor separa os dados de entrada em várias categorias de saída.
Por exemplo, o algoritmo de regressão ordinal poderia ser usado para prever relações adulto-criança em um conjunto de dados que incorpora fatores como idade, sexo, localização, educação e tipo de trabalho. Cada um dos pontos de dados poderia então ser categorizado em diferentes categorias, como mãe-filho, pai-filho, tia-sobrinho, etc. O algoritmo de regressão ordinal produzirá então a relação adulto-criança mais provável com base nos dados inseridos.
A regressão ordinal também é usada em pesquisas de mercado para entender melhor as preferências do consumidor. Tem sido empregado em previsões e previsões de vendas, tomada de decisões analíticas e até mesmo colocação de produtos em lojas.
Os algoritmos mais populares para regressão ordinal incluem regressão logística, classificadores de árvore de decisão, redes neurais, máquinas de vetores de suporte e métodos baseados em classificação. A regressão logística é o algoritmo mais comum utilizado, pois é robusto a outliers e pode lidar com múltiplas categorias, MAS todas as alternativas também apresentam vantagens específicas em determinados cenários.
