Regresyon için SVM'ler (SVR)
SVR epsilon tüpü, nu-SVR, doğrusal olmayan verilerde SVR ile doğrusal regresyonun karşılaştırılması.
Regresyon için SVM'ler (SVR), CoddyKit'te ücretsiz bir Learn AI with Python dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, Learn AI with Python öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. Learn AI with Python kursu toplamda 4 dersten oluşur.
SVM'ler Regresyon da Yapabilir
Marj fikri regresyona da genişletilebilir. Destek Vektör Regresyonu (SVR), küçük hataları yok sayarak tahminleri bir tolerans bandı içinde tutarken bir fonksiyon uydurur.
Epsilon Duyarsız Tüp
SVR, tahmin edilen fonksiyonun çevresine bir epsilon tüpü çizer. Tüpün içindeki noktalar sıfır kayba katkıda bulunur; yalnızca dışındaki noktalar cezalandırılır. Bu, modeli anlamlı hatalara odaklar.
Tüp Neden Yararlıdır
SVR, küçük sapmaları yok sayarak gürültüye aşırı uyumu önler ve daha düzgün, daha dayanıklı bir uyum üretir. Tolerans içindeki küçük dalgalanmalar modeli hiçbir şekilde etkilemez.
Temel SVR Kullanımı
SVR, SVC'ye benzer ve aynı çekirdekleri destekler. Doğrusal olmayan regresyon için RBF yaygın varsayılandır.
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))epsilon Parametresi
epsilon, tüp genişliğini belirler. Daha büyük bir epsilon daha geniş bir bant, daha az destek vektörü ve daha basit bir model anlamına gelir. Daha küçük epsilon ise verilere daha sıkı uyum sağlar.
from sklearn.svm import SVR
wide = SVR(epsilon=1.0) # tolerant, simpler
tight = SVR(epsilon=0.01) # fits closelySVR'de C Parametresi
Sınıflandırmada olduğu gibi, C tüpün dışındaki noktalar için uygulanacak cezayı denetler. Daha büyük C bu hataları daha fazla cezalandırarak daha sıkı bir uyum sağlar; daha küçük C ise daha düzgün bir eğri için daha fazla düzenlileştirme uygular.
from sklearn.svm import SVR
flexible = SVR(C=1000) # fits training closely
smooth = SVR(C=0.1) # more regularizedepsilon ve C: İki Farklı Ayar
Aradaki farkı unutmayın: epsilon, tüp genişliğini (hangi miktardaki hatanın yok sayılacağını) denetlerken C, tüpün dışına düşen hatalar için uygulanacak cezayı denetler. İkisini de ayarlayın.
SVR için de Ölçeklendirme Önemlidir
Tüm SVM'ler gibi SVR de uzaklıklara bağlıdır ve ölçeğe duyarlıdır. Özellikleri her zaman standartlaştırın; kararlı bir eğitim için hedefi de ölçeklendirmeyi değerlendirin.
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)SVR Ayarı
En iyi uyumu bulmak için C, gamma ve epsilon üzerinde ızgara araması yapın. Puanlama için negatif ortalama karesel hata gibi bir regresyon metriği kullanın.
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)NuSVR Varyantı
NuSVR, epsilon yerine, destek vektörlerinin ve eğitim hatalarının oranını doğrudan denetleyen (0 ile 1 arasında) nu parametresini kullanır. Bu, bazı kişilerin anlamlandırmasını daha kolay bulduğu alternatif bir parametreleştirmedir.
from sklearn.svm import NuSVR
model = NuSVR(nu=0.5, C=100, kernel="rbf")
model.fit(Xtr, ytr)SVR Ne Zaman Kullanılmalı
SVR, doğrusal olmayan örüntülere sahip küçük ve orta büyüklükteki veri kümelerinde ve gürültüye dayanıklılığın önemli olduğu durumlarda iyi çalışır. Çok büyük veriler için daha iyi ölçeklenen doğrusal modelleri veya gradyan artırmayı tercih edin.
Hızlı Kontrol
SVR bilginizi sınayın.
Özet
Özet: SVR, içindeki noktaların sıfır maliyete sahip olduğu epsilon-duyarsız bir tüp içinde bir fonksiyon uydurur. epsilon tüp genişliğini belirler (daha büyük değer = daha basit model), C ise tüpün dışındaki noktaları cezalandırır. Özellikleri her zaman ölçeklendirin, C/gamma/epsilon değerlerini ayarlayın ve alternatif bir parametreleştirme olarak NuSVR'yi değerlendirin.
Sıkça Sorulan Sorular
“Regresyon için SVM'ler (SVR)” dersi ücretsiz mi?
Evet — “Regresyon için SVM'ler (SVR)” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve Learn AI with Python kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. Learn AI with Python kursu toplamda 4 dersten oluşur.
“Regresyon için SVM'ler (SVR)” dersinde ne öğreneceğim?
SVR epsilon tüpü, nu-SVR, doğrusal olmayan verilerde SVR ile doğrusal regresyonun karşılaştırılması. Learn AI with Python ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
Learn AI with Python öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te Learn AI with Python, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Regresyon için SVM'ler (SVR)” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu Learn AI with Python dersinde kod yazıp çalıştırabilir miyim?
Evet. Her Learn AI with Python dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- SVM Teorisi: Marjlar ve Destek Vektörleri
- Çekirdek Hilesi: RBF, Polinom ve Sigmoid
- sklearn ile SVM Sınıflandırması
- Regresyon için SVM'ler (SVR)