Presná definícia
Čo znamená regresia podporných vektorov?
Regresia podporných vektorov (SVR) hľadá funkciu, pri ktorej chyby do šírky ε netvoria stratu, a súčasne penalizuje zložitosť modelu. Iba body na hranici alebo mimo ε-trubice sa stávajú podpornými vektormi. Parameter C určuje cenu väčších odchýlok a jadro umožňuje nelineárny vzťah.
Skúsenosť a kontext
Ako sa pojem používa v praxi
Pri predikcii fyzikálneho merania možno ε nastaviť podľa tolerancie senzora: malé odchýlky sa nemusia optimalizovať. Vstupy a často aj cieľ sa škálujú, pretože C, ε a jadrové parametre závisia od mierky. Ladenie prebieha na validácii a zahŕňa aj čas predikcie, ktorý rastie s počtom podporných vektorov. SVR neposkytuje interval neistoty automaticky a pri veľkých dátach môže byť výpočtovo náročná. Na teste sa sleduje chyba v pôvodných jednotkách aj správanie na okrajoch rozsahu.
Overiteľnosť
Odborné zdroje
Praktické odpovede
Často kladené otázky
Čo znamená ε?
Polovicu šírky pásma okolo funkcie, v ktorom sa odchýlka nepenalizuje.
Ktoré body ovplyvňujú riešenie?
Najmä tie na hranici alebo mimo ε-trubice.
Ako pôsobí vysoké C?
Silnejšie trestá chyby mimo pásma a môže zvýšiť citlivosť na šum.
Musí byť SVR lineárna?
Nie. S RBF či iným jadrom vytvára nelineárnu funkciu vo vstupnom priestore.
Dáva SVR predikčný interval?
Nie priamo; neistota vyžaduje ďalšiu metódu alebo kalibráciu rezíduí.