Apa itu algoritma SVR? - PolarDB

Topik ini menjelaskan algoritma Support Vector Regression (SVR).

Informasi latar belakang

SVR merupakan cabang aplikasi dari Support Vector Machine (SVM). SVR dapat digunakan untuk menemukan bidang regresi di mana semua elemen data dalam satu set memiliki jarak terpendek.

Skenario

SVR adalah model regresi yang utamanya digunakan untuk memprediksi nilai dalam skenario dengan fitur jarang dan jumlah fitur yang kecil.

Sebagai contoh, model SVR dapat digunakan untuk memprediksi suhu sebuah kota. Fitur input mencakup berbagai faktor seperti rata-rata suhu historis kota selama periode tertentu, persentase cakupan vegetasi, jumlah danau di wilayah tersebut, dan tanggal. Output dari model adalah suhu perkiraan kota selama periode tersebut.

Parameter

Nilai parameter yang dijelaskan dalam tabel berikut sesuai dengan parameter model_parameter yang ditentukan dalam pernyataan CREATE MODEL yang digunakan untuk membuat model. Anda dapat mengonfigurasi parameter sesuai kebutuhan bisnis Anda.

Parameter	Deskripsi
kernel	Fungsi kernel, yang digunakan untuk memetakan data dimensi rendah ke ruang dimensi tinggi. Nilai valid: rbf (default): Fungsi basis radial. Dapat digunakan untuk memetakan sampel ke ruang dimensi tinggi. linear: fungsi kernel linier. Terutama digunakan dalam pemisahan linier. Ruang fitur memiliki dimensi yang sama dengan ruang input. Memerlukan lebih sedikit parameter dan memberikan kecepatan yang lebih tinggi. poly: fungsi kernel polinomial. Dapat digunakan untuk memetakan ruang input dimensi rendah ke ruang fitur dimensi tinggi. Memerlukan lebih banyak parameter. sigmoid: memiliki efek serupa dengan jaringan saraf multi-lapis.
c	Koefisien penalti dari koefisien relaksasi. Ini adalah bilangan titik mengambang lebih besar dari 0 dan dapat dibiarkan kosong. Nilai default: 1. Catatan Dalam kasus kualitas data rendah, Anda dapat mengurangi nilai parameter ini.
epsilon	Ambang batas fungsi loss SVR. Ketika selisih antara nilai prediksi dan nilai aktual sama dengan ambang batas, loss sampel dihitung. Nilai default: 0,1.
max_iter	Jumlah maksimum iterasi. Nilai valid: bilangan bulat positif dan -1. Nilai default: -1. Catatan Jika Anda mengatur nilainya ke -1, tidak ada batasan jumlah iterasi. Iterasi akan berlanjut hingga nilai konvergen dalam `epsilon`.

Contoh

Membuat model SVR.

/*polar4ai*/CREATE MODEL svr1 WITH
( model_class = 'svr', x_cols = 'dx1,dx2', y_cols='y',
 model_parameter=(kernel='rbf')) AS (SELECT * FROM db4ai.testdata1);

Evaluasi model.

/*polar4ai*/SELECT dx1,dx2 FROM EVALUATE(MODEL svr1, 
SELECT * FROM db4ai.testdata1 LIMIT 10) WITH 
(x_cols = 'dx1,dx2',y_cols='y',metrics='r2_score');

Gunakan model untuk prediksi.

/*polar4ai*/SELECT dx1,dx2 FROM
PREDICT(MODEL svr1, SELECT * FROM db4ai.testdata1 LIMIT 10)
WITH (x_cols = 'dx1,dx2');

Catatan

Tipe data x_cols dan y_cols harus berupa titik mengambang atau bilangan bulat.