Doğrusal regresyon (LR), en küçük kareler yöntemini kullanarak bir veya daha fazla girdi değişkeni ile sürekli bir hedef değişken arasında doğrusal bir ilişki kurar. LR basit ve yüksek düzeyde yorumlanabilir olduğu için gelir, harcama veya envanter talebi gibi sayısal sonuçları tahmin etmeye veya zaman içindeki bir eğilimin yönünü ve eğimini ölçmeye uygundur.
Kullanım senaryoları
Girdiler ile hedef değer arasındaki ilişki yaklaşık olarak doğrusal olduğunda LR en iyi sonucu verir:
Eğilim analizi: Zaman serisi verilerinde bir eğilim çizgisinin eğimini ve konumunu hesaplayın; örneğin, aylık satış hacminin, GMV'nin veya hisse senedi fiyatlarının belirli bir dönemde artıp azaldığını belirleyin.
Değer uydurma: Girdi değişkenleri ile hedef arasındaki ilişkinin doğrusal olduğu sürekli sonuçları uydurun.
Veri türü gereksinimi
x_cols ve y_cols sütunları kayan noktalı sayı veya tamsayı türünde olmalıdır.
Parametreler
Bu parametreleri CREATE MODEL ifadenizdeki model_parameter seçeneği içinde ayarlayın.
| Parameter | Description | Default |
|---|---|---|
epoch |
Eğitim yineleme sayısı. Yinelemeleri sınırlamak için pozitif bir tamsayı belirtin veya yakınsamaya kadar çalıştırmak için -1 değerini kullanın. |
-1 |
normalize |
Eğitim öncesi veri normalleştirmesini kontrol eder. False model oluşturulmadan önce verileri normalleştirir; True normalleştirmeyi atlar. |
False |
Model oluşturma, değerlendirme ve tahmin yapma
Aşağıdaki adımlar, db4ai.testdata1 veri kümesini kullanan tam bir LR iş akışını gösterir; burada dx1 ve dx2 girdi özellikleri, y ise hedef değişkendir. Üç ifade de yürütmeyi polar4ai motoruna yönlendirmek için /*polar4ai*/ ipucunu kullanır.
Adım 1: Modeli oluşturun
Tam veri kümesi üzerinde üç epoch boyunca çalışan linearreg1 adlı bir LR modeli eğitin:
/*polar4ai*/CREATE MODEL linearreg1 WITH
( model_class = 'linearreg', x_cols = 'dx1,dx2', y_cols='y',
model_parameter=(epoch=3)) AS (SELECT * FROM db4ai.testdata1);
Adım 2: Modeli değerlendirin
Tahmin doğruluğunu R² puanı (r2_score) kullanarak ölçün:
/*polar4ai*/SELECT dx1,dx2 FROM EVALUATE(MODEL linearreg1,
SELECT * FROM db4ai.testdata1 LIMIT 10) WITH
(x_cols = 'dx1,dx2',y_cols='y',metrics='r2_score');
Adım 3: Tahminleri çalıştırın
Eğitilen modeli yeni veriler üzerinde tahminler oluşturmak için uygulayın:
/*polar4ai*/SELECT dx1,dx2 FROM
PREDICT(MODEL linearreg1, SELECT * FROM db4ai.testdata1 LIMIT 10)
WITH (x_cols = 'dx1,dx2');
x_cols ve y_cols veri türleri kayan noktalı sayı veya tamsayı olmalıdır.