Tüm Ürünler
Search
Belge Merkezi

PolarDB:GBRT algoritması

Son Güncelleme:Oct 07, 2026

Gradient boosting regression tree (GBRT) algoritması, her ağacın öncekilerin artıklarını düzelttiği bir regresyon ağacı dizisi oluşturan bir topluluk yöntemidir. PolarDB for MySQL, polar4ai uzantısı aracılığıyla veritabanı içi bir regresyon modeli olarak GBRT'yi destekler; bu sayede model eğitebilir, değerlendirebilir ve tahminleri doğrudan SQL ile çalıştırabilirsiniz.

Nasıl çalışır?

GBRT, boosting ailesinin bir üyesidir. Zayıf öğrenici yalnızca CART regresyon ağacı modeliyle sınırlıdır. GBRT iki bileşeni bir araya getirir:

  • Regresyon ağacı (RT): Sürekli değerleri tahmin eden bir karar ağacı varyantıdır. GBRT birden fazla regresyon ağacını zincirler ve nihai tahmini üretmek için çıktılarını toplar.

  • Gradient boosting (GB): Her yeni ağacın önceki ağaçların bıraktığı artıklara uyum sağladığı yinelemeli bir stratejidir. İleri dağılım algoritmasını kullanarak her adımda kayıp işlevini en aza indirir. Her ağaç, önceki ağaçların sonuçlarından ve artıklarından öğrenir.

Kullanım senaryoları

GBRT, hedef değişkenin sürekli bir sayısal değer olduğu regresyon problemlerine uygundur. Örneğin; gelir, eğitim düzeyi veya sosyoekonomik durum gibi sosyoekonomik değişkenlerden yararlanarak ölüm oranı veya hastalık oranını (y_cols) tahmin etmek (epidemiyolojik modellemede yaygındır).

Parametreler

Aşağıdaki parametreler, CREATE MODEL deyimindeki model_parameter bağımsız değişkenine karşılık gelir.

Not

x_cols ve y_cols sütunları kayan noktalı sayı veya tamsayı türünde olmalıdır.

Parametre Tür Varsayılan Açıklama
n_estimators Tamsayı (genellikle pozitif) 100 Boosting yineleme sayısı. Daha yüksek değerler uyum kalitesini artırır.
objective Dize ls Kayıp işlevi. Geçerli değerler: ls (en küçük kareler), lad (en küçük mutlak sapma), huber (en küçük kareler ile en küçük mutlak sapmayı birleştirir).
max_depth Tamsayı 7 Her regresyon ağacının maksimum derinliği. Derinlik sınırını kaldırmak için -1 olarak ayarlayın; aşırı öğrenmeyi önlemek için dikkatli kullanın.
random_state Tamsayı (genellikle pozitif) 1 Tekrarlanabilirlik için rastgele tohum değeri.

Örnekler

Aşağıdaki örnekler, polar4ai uzantısının gerektirdiği /*polar4ai*/ hint önekini kullanarak model eğitimi, doğruluk değerlendirmesi ve tahmin çalıştırma dahil olmak üzere tam iş akışını gösterir.

Adım 1: Modeli oluşturun

/*polar4ai*/CREATE MODEL gbrt1 WITH
( model_class = 'gbrt', x_cols = 'dx1,dx2', y_cols='y',
 model_parameter=(objective='ls')) AS (SELECT * FROM db4ai.testdata1);

Adım 2: Modeli değerlendirin

/*polar4ai*/SELECT dx1,dx2 FROM EVALUATE(MODEL gbrt1,
SELECT * FROM db4ai.testdata1 LIMIT 10) WITH
(x_cols = 'dx1,dx2',y_cols='y',metrics='r2_score');

Adım 3: Tahminleri çalıştırın

/*polar4ai*/SELECT dx1,dx2 FROM
PREDICT(MODEL gbrt1, SELECT * FROM db4ai.testdata1 LIMIT 10)
WITH (x_cols = 'dx1,dx2');