Destek Vektör Regresyonu
Support Vector Regression (SVR) · Ayrıca şöyle bilinir: Destek Vektör Regresyonu (SVR), SVR, epsilon-SVR, support vector machine for regression
Destek Vektör Regresyonu (SVR), Smola ve Schölkopf'un 2004 tarihli eğitiminde açıklanan, verilerin etrafında epsilon genişliğinde bir tüp içinde kalan ve mümkün olan en az hatayı yapan bir fonksiyonu uyumlayarak sürekli bir çıktıyı tahmin eder. Sınıflandırma için destek vektör makinesi fikrini regresyona genişletir ve doğrusal olmayan ilişkileri yakalamak için bir çekirdek kullanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
İlişkinin doğrusal olmayan olabileceği ve en az yaklaşık 50 gözleminiz olduğunda, özelliklerden sürekli (veya sayım) bir çıktıyı tahmin etmek için SVR kullanın. Özellikler normalleştirilmeli ve çekirdek ile C parametresi ayarlanmalıdır. 50'den az vaka ile tahmin, çok az destek vektörüne dayanır ve kararsız hale gelir, bu nedenle bir ridge veya doğrusal regresyon tercih edilir.
Güçlü yönler & sınırlılıklar
- Epsilon-duyarsız kayıp, uyumu küçük sapmalara ve tüp içindeki aykırı değerlere karşı sağlam hale getirir.
- Çekirdekler, SVR'nin açıkça yeni özellikler mühendisliği yapmadan doğrusal olmayan ilişkileri modellemesine olanak tanır.
- Normal dağılımlı veri gerektirmez.
- Nihai model yalnızca destek vektörlerine bağlıdır, bu da tahmini kompakt tutar.
- En az yaklaşık 50 gözlem gerektirir; daha azı ile tahminler çok az destek vektörüne dayanır ve kararsızdır.
- Performans, çekirdek ve C parametresinin ayarlanmasına bağlıdır, bu da yeterli çapraz doğrulama verisi gerektirir.
- Özellikler önceden normalleştirilmelidir, aksi takdirde çekirdek mesafeleri bozulur.
- Yorumlanabilir katsayılar sunmaz.
SSS
Epsilon parametresi neyi kontrol eder?
Epsilon, uyumlanmış fonksiyon etrafındaki tolerans tüpünün yarı genişliğini ayarlar. Epsilon'dan küçük sapmalar sıfır hata olarak kabul edilir, bu nedenle daha büyük bir epsilon daha düz, daha basit ve daha az destek vektörlü bir model üretirken, daha küçük bir epsilon veriyi daha sıkı bir şekilde uyumlar.
Neden özellikleri normalleştirmem gerekiyor?
SVR, çekirdek aracılığıyla hesaplanan mesafelere dayanır. Özellikler çok farklı ölçeklerdeyse, daha büyük aralıklara sahip olanlar mesafelere hakim olur, bu nedenle özellikler uyumlanmadan önce standartlaştırılmalıdır.
Ne kadar küçük bir örneklem çok küçüktür?
Yaklaşık 50 gözlemden az olduğunda, uyum çok az destek vektörüne dayanır ve kararsız hale gelir ve çekirdek hiperparametrelerini ayarlamak için yeterli veri yoktur; bir ridge veya doğrusal regresyon daha güvenli bir seçimdir.
SVR, adi en küçük karelerden nasıl farklıdır?
En küçük kareler her kalıntıyı karesel olarak cezalandırırken, SVR epsilon tüpü içindeki kalıntıları göz ardı eder ve yalnızca dışındakileri cezalandırır. Bir çekirdek ile birleştirildiğinde, bu SVR'nin doğrusal olmayan ilişkileri yakalamasına ve küçük sapmalara karşı sağlam kalmasına olanak tanır.
Kaynaklar
- Smola, A.J. & Schölkopf, B. (2004). A Tutorial on Support Vector Regression. Statistics and Computing, 14, 199–222. DOI: 10.1023/B:STCO.0000035301.49549.88 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/tr/machine-learning/svm-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- En Yakın K KomşuMakine öğrenmesi↔ karşılaştır
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- Ridge Regression (Sırt Regresyonu)Makine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır