O que é o algoritmo SVR? - PolarDB: Central de Documentação do Alibaba Cloud

A Regressão de Vetores de Suporte (SVR) é um algoritmo de regressão baseado em máquinas de vetores de suporte (SVM). O SVR identifica um plano de regressão no qual todos os elementos de dados de um conjunto apresentam a menor distância possível. Esse algoritmo é ideal para conjuntos de dados com features esparsas ou com poucas features de entrada.

Casos de uso

O SVR apresenta bom desempenho em tarefas de previsão numérica nas seguintes situações:

O conjunto de dados possui features esparsas ou um número reduzido de features de entrada
A relação entre as entradas e a saída pode ser não linear (utilize o kernel rbf ou poly)
Os dados contêm ruído e o modelo precisa tolerar pequenos erros de previsão

Exemplo: Prever a temperatura de uma cidade com base em features de entrada como a média histórica de temperatura em um período, percentual de cobertura vegetal, quantidade de lagos próximos e a data.

Parâmetros

Todos os parâmetros são passados como valores de model_parameter na instrução CREATE MODEL.

Parâmetro	Descrição	Padrão
`kernel`	Função de kernel usada para mapear os dados de entrada em um espaço de maior dimensão. Consulte Escolher um kernel para obter orientações. Valores válidos: `rbf`, `linear`, `poly`, `sigmoid`.	`rbf`
`c`	Coeficiente de penalidade do coeficiente de relaxamento. Deve ser um número de ponto flutuante maior que 0; pode ser deixado vazio. Para dados ruidosos ou de baixa qualidade, reduza este valor.	`1`
`epsilon`	Defina o tubo epsilon: previsões dentro do intervalo de `epsilon` em relação ao valor real não sofrem penalização na função de perda. Apenas previsões fora dessa margem contribuem para a perda. Valor padrão: 0,1.	`0.1`
`max_iter`	Número máximo de iterações de treinamento. Valores válidos: inteiro positivo e -1. Defina como `-1` para remover o limite — o treinamento continua até a convergência dentro de `epsilon`.	`-1`

Escolha um kernel

Kernel	Mais indicado para	Compromisso
`rbf`	Dados não lineares (maioria dos casos de uso)	Padrão; lida com uma ampla variedade de distribuições de dados
`linear`	Dados linearmente separáveis	Menos parâmetros e treinamento mais rápido; o espaço de features corresponde ao espaço de entrada
`poly`	Relações polinomiais entre features	Exige mais parâmetros
`sigmoid`	—	Efeito semelhante ao de uma rede neural multicamadas

Exemplos

Os três exemplos abaixo utilizam o prefixo de comentário /*polar4ai*/ para direcionar as consultas ao mecanismo polar4ai.

Crie um modelo 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);

Avaliar o modelo

/*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');

Execute previsões

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

Nota

Os campos x_cols e y_cols devem usar tipos de dados de ponto flutuante ou inteiro.