Tüm Ürünler
Search
Belge Merkezi

PolarDB:SVR algorithm

Son Güncelleme:Oct 07, 2026

Support Vector Regression (SVR), destek vektör makinesine (SVM) dayalı bir regresyon algoritmasıdır. SVR, bir veri kümesindeki tüm veri öğelerinin en kısa mesafede bulunduğu bir regresyon düzlemi bulur. SVR, seyrek özelliklere veya az sayıda girdi özelliğine sahip veri kümeleri için oldukça uygundur.

Kullanım senaryoları

SVR, aşağıdaki koşulların geçerli olduğu sayısal tahmin görevlerinde iyi sonuç verir:

  • Veri kümesi seyrek özelliklere veya az sayıda girdi özelliğine sahiptir

  • Girdiler ile çıktı arasındaki ilişki doğrusal olmayabilir (rbf veya poly çekirdeğini kullanın)

  • Veriler gürültü içerir ve modelin küçük tahmin hatalarına tolerans göstermesini istersiniz

Örnek: Bir şehrin sıcaklığını; belirli bir dönemdeki ortalama tarihi sıcaklık, yeşil alan kaplama yüzdesi, yakındaki göl sayısı ve tarih gibi girdi özelliklerini kullanarak tahmin etmek.

Parametreler

Tüm parametreleri, model_parameter değerleri olarak CREATE MODEL ifadesinde belirtin.

Parametre Açıklama Varsayılan
kernel Girdi verilerini daha yüksek boyutlu bir uzaya eşlemek için kullanılan çekirdek işlevi. Rehberlik için Çekirdek seçimi bölümüne bakın. Geçerli değerler: rbf, linear, poly, sigmoid. rbf
c Gevşeme katsayısının ceza katsayısı. 0'dan büyük bir kayan nokta sayısı olmalıdır; boş bırakılabilir. Gürültülü veya düşük kaliteli verilerde bu değeri düşürün. 1
epsilon Epsilon tüpünü tanımlar: Gerçek değere epsilon mesafesi içindeki tahminler, kayıp işlevinde cezalandırılmaz. Yalnızca bu marjın dışındaki tahminler kayba katkıda bulunur. Varsayılan değer: 0,1. 0.1
max_iter Maksimum eğitim iterasyonu sayısı. Geçerli değerler: pozitif tam sayı ve -1. Sınır olmaması için -1 olarak ayarlayın; eğitim, epsilon içinde yakınsama sağlanana kadar devam eder. -1

Çekirdek seçimi

Çekirdek En uygun kullanım Denge
rbf Doğrusal olmayan veriler (çoğu kullanım durumu) Varsayılan; geniş bir veri dağılımı yelpazesini işler
linear Doğrusal olarak ayrıştırılabilir veriler Daha az parametre, daha hızlı eğitim; özellik uzayı girdi uzayıyla eşleşir
poly Özellikler arasındaki polinom ilişkileri Daha fazla parametre gerektirir
sigmoid — Çok katmanlı bir sinir ağına benzer etki gösterir

Örnekler

Üç örneğin tamamında, sorguları polar4ai motoru üzerinden yönlendirmek için /*polar4ai*/ yorum öneki kullanılır.

SVR modeli oluşturma

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

Modeli değerlendirme

/*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');

Tahminleri çalıştırma

/*polar4ai*/SELECT dx1,dx2 FROM
PREDICT(MODEL svr1, SELECT * FROM db4ai.testdata1 LIMIT 10)
WITH (x_cols = 'dx1,dx2');
Not

x_cols ve y_cols kayan nokta veya tam sayı veri türlerinde olmalıdır.