SVM untuk Regresi (SVR)
Tabung epsilon SVR, nu-SVR, membandingkan SVR dengan regresi linear pada data nonlinier.
SVM untuk Regresi (SVR) adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.
SVM Juga Dapat Melakukan Regresi
Gagasan margin juga berlaku untuk regresi. Regresi Vektor Pendukung (SVR) menyesuaikan fungsi sambil menjaga prediksi tetap berada dalam pita toleransi dan mengabaikan kesalahan kecil.
Tabung Epsilon yang Tidak Sensitif
SVR menggambar tabung epsilon di sekitar fungsi yang diprediksi. Titik-titik yang berada di dalam tabung memberikan kontribusi kerugian nol; hanya titik-titik di luar tabung yang dikenai penalti. Dengan demikian, model berfokus pada kesalahan yang bermakna.
Mengapa Tabung Membantu
Dengan mengabaikan penyimpangan kecil, SVR tidak mudah menyesuaikan diri secara berlebihan terhadap derau dan menghasilkan penyesuaian yang lebih mulus serta tangguh. Gelombang kecil dalam batas toleransi tidak memengaruhi model.
Penggunaan Dasar SVR
SVR bekerja seperti SVC dan mendukung kernel yang sama. RBF adalah bawaan umum untuk regresi nonlinier.
from sklearn.svm import SVR
model = SVR(kernel="rbf", C=100, epsilon=0.1, gamma="scale")
model.fit(Xtr, ytr)
print(model.score(Xte, yte))Parameter epsilon
epsilon menetapkan lebar tabung. Epsilon yang lebih besar berarti pita yang lebih lebar, lebih sedikit vektor pendukung, dan model yang lebih sederhana. Epsilon yang lebih kecil menyesuaikan model dengan data secara lebih ketat.
from sklearn.svm import SVR
wide = SVR(epsilon=1.0) # tolerant, simpler
tight = SVR(epsilon=0.01) # fits closelyParameter C pada SVR
Seperti pada klasifikasi, C mengendalikan penalti untuk titik-titik di luar tabung. C yang lebih besar memberikan hukuman lebih berat atas kesalahan tersebut sehingga penyesuaian menjadi lebih ketat; C yang lebih kecil memberikan regularisasi lebih kuat untuk menghasilkan kurva yang lebih mulus.
from sklearn.svm import SVR
flexible = SVR(C=1000) # fits training closely
smooth = SVR(C=0.1) # more regularizedepsilon dibandingkan C: Dua Parameter Berbeda
Ingat perbedaannya: epsilon mengendalikan lebar tabung (seberapa banyak kesalahan yang diabaikan), sedangkan C mengendalikan penalti untuk kesalahan yang berada di luar tabung. Setel keduanya.
Penskalaan Juga Penting untuk SVR
Seperti semua SVM, SVR bergantung pada jarak dan sensitif terhadap skala. Selalu standarkan fitur, dan pertimbangkan untuk menskalakan target juga agar pelatihan tetap stabil.
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR
pipe = make_pipeline(StandardScaler(), SVR(kernel="rbf"))
pipe.fit(Xtr, ytr)Menyetel SVR
Lakukan pencarian kisi atas C, gamma, dan epsilon untuk menemukan penyesuaian terbaik. Gunakan metrik regresi, seperti galat kuadrat rata-rata negatif, untuk penilaian.
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVR
param = {
"C": [1, 10, 100],
"gamma": [0.01, 0.1, 1],
"epsilon": [0.01, 0.1, 0.5],
}
gs = GridSearchCV(SVR(), param, cv=5, scoring="neg_mean_squared_error")
gs.fit(Xtr, ytr)Varian NuSVR
NuSVR mengganti epsilon dengan nu (antara 0 dan 1), yang secara langsung mengendalikan proporsi vektor pendukung dan kesalahan pelatihan. Ini merupakan parameterisasi alternatif yang menurut sebagian orang lebih mudah dipahami.
from sklearn.svm import NuSVR
model = NuSVR(nu=0.5, C=100, kernel="rbf")
model.fit(Xtr, ytr)Kapan Menggunakan SVR
SVR bekerja dengan baik pada kumpulan data kecil hingga menengah yang memiliki pola nonlinier dan ketika ketahanan terhadap derau penting. Untuk data yang sangat besar, pilih model linier atau peningkatan gradien karena keduanya dapat diskalakan dengan lebih baik.
Pemeriksaan Singkat
Uji pengetahuan Anda tentang SVR.
Ringkasan
Ringkasan: SVR menyesuaikan fungsi di dalam tabung yang tidak sensitif terhadap epsilon, dengan biaya nol untuk titik-titik di dalamnya. epsilon menetapkan lebar tabung (nilai yang lebih besar menghasilkan model yang lebih sederhana), sedangkan C memberikan penalti pada titik-titik di luarnya. Selalu lakukan penskalaan fitur, setel C/gamma/epsilon, dan pertimbangkan NuSVR sebagai parameterisasi alternatif.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “SVM untuk Regresi (SVR)” gratis?
Ya — teks lengkap “SVM untuk Regresi (SVR)” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “SVM untuk Regresi (SVR)”?
Tabung epsilon SVR, nu-SVR, membandingkan SVR dengan regresi linear pada data nonlinier. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Learn AI with Python?
Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “SVM untuk Regresi (SVR)” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?
Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Teori SVM: Margin dan Vektor Pendukung
- Trik Kernel: RBF, Polinomial, dan Sigmoid
- SVM untuk Klasifikasi dengan sklearn
- SVM untuk Regresi (SVR)