Wat is Regression?

Wat voorspel je eigenlijk?

Stel je voor: je wilt weten wat je huis waard is. Je kunt naar tientallen vergelijkbare huizen kijken — hun oppervlakte, aantal kamers, buurt, bouwjaar — en wat ze verkocht zijn. Een AI-regressiemodel leert uit die voorbeelden een patroon: hoe hangen die kenmerken samen met de uiteindelijke prijs? Eenmaal getraind, kan het model voor jouw huis een concrete schatting geven: €385.000, bijvoorbeeld.

Dat is het verschil met classificatie (die je misschien al kent): classificatie zegt "dit is een kat" of "dit is spam". Regressie zegt: "dit kost €385.000" of "morgen wordt het 18,3 graden". Het antwoord is geen label, maar een getal ergens op een schaal.

Hoe werkt het eigenlijk?

Het model krijgt van jou voorbeelden met input (kenmerken) en output (het getal dat je wilt voorspellen). Denk aan:

• Huizenprijs: input = m², kamers, buurt, bouwjaar → output = prijs in euro's

• Energieverbruik: input = buitentemperatuur, tijd van de dag, aantal bewoners → output = kilowattuur

• Projectduur: input = teamgrootte, complexiteit, eerdere projecten → output = uren

Het algoritme zoekt naar patronen: welke invloed heeft elke input op de output? Vaak begint het simpel — een rechte lijn door de punten — maar kan het ook complexe krommen leren als de relatie ingewikkelder is. Het doel: als je straks nieuwe input geeft (een huis dat het model nog nooit zag), komt de voorspelling zo dicht mogelijk bij de werkelijkheid.

Een voorbeeld uit de praktijk

Een webshop wil voorspellen hoeveel omzet een nieuwe klant de komende zes maanden gaat opleveren. Ze trainen een regressiemodel op historische klantdata: leeftijd, aankoopfrequentie, gemiddelde bestelbedrag, geklikte categorieën. Het model leert: klanten die maandelijks bestellen en vaak in categorie X kijken, leveren gemiddeld €240 op. Voor een nieuwe klant met vergelijkbaar gedrag voorspelt het: waarschijnlijk €235. Dat helpt de marketingafdeling beslissen hoeveel budget ze in die klant stoppen.

Waar kom je het tegen?

Regressie zit overal waar je getallen voorspelt:

• Vastgoedplatforms zoals Funda of Zillow schatten woningprijzen

• Energie-apps voorspellen je verbruik en kosten

• Financiële tools schatten kredietrisico of toekomstige kasstromen

• Weersvoorspellingen (temperatuur, neerslag, luchtkwaliteit)

• Webshops voorspellen klanttevredenheid, retourkans of levenslange waarde

• Productie schat onderhoudsmomenten, uitval, productietijden

AI-platforms zoals scikit-learn (Python), Azure Machine Learning, Google Vertex AI en AWS SageMaker bieden standaard regressie-algoritmes. Je hoeft geen wiskundige te zijn om ermee te starten — veel tools doen het zware werk voor je.

Waarom zou jij hier iets aan hebben?

Regressie helpt je beslissingen nemen op basis van verwachtingen in plaats van buikgevoel. Wat ga je verdienen aan een nieuwe klant? Hoeveel voorraad heb je nodig volgende maand? Wanneer moet die machine onderhouden worden? Door patronen uit het verleden te herkennen, kun je de toekomst een stuk concreter maken — en dat scheelt geld, tijd en frustratie.

Wil je ermee aan de slag? Kijk of je historische data hebt met voorbeelden van wat je wilt voorspellen. Vaak is dat genoeg om een eerste proefmodel te trainen en te kijken hoe goed het werkt. Begin klein, leer van de uitkomsten, en schaal op als het werkt.