Notes

Search

SearchSearch

svr

Nov 25, 2024, 3 min read

Classe “SVM”

A classe SVR no módulo sklearn.svm (Support Vector Regression) é uma implementação do algoritmo de Support Vector Machines (SVM) para tarefas de regressão. Ela é usada quando você deseja realizar tarefas de previsão ou regressão, onde a variável de destino é contínua. O objetivo é encontrar uma função que mapeie os recursos de entrada para os valores de destino de maneira eficaz, especialmente quando há uma relação complexa ou não linear entre os recursos e os valores de destino.

Sintaxe

from sklearn.svm import SVR
 
model = SVR(kernel='rbf', C=1.0, epsilon=0.1)

Principais parâmetros

  • kernel: Define o tipo de kernel a ser usado. Pode ser um dos kernels suportados, como ‘linear’, ‘poly’ (polinomial), ‘rbf’ (radial basis function), etc. O kernel escolhido determina a natureza da transformação dos dados.

  • C: É um hiperparâmetro de regularização que controla a penalização dos erros de treinamento. Valores menores de C suavizam a função de decisão, enquanto valores maiores enfatizam a classificação correta dos pontos de treinamento.

  • epsilon: É um hiperparâmetro que controla a largura da faixa de insensibilidade em torno da função de regressão. Isso permite que alguns pontos estejam dentro da faixa de insensibilidade sem afetar a função de decisão.

  • degree: Apenas relevante para kernels polinomiais. Define o grau do polinômio usado na transformação dos dados.

  • gamma: Um hiperparâmetro que afeta a forma da função de kernel RBF. Controla o quanto os pontos de treinamento influenciam na definição da função de decisão. Valores menores fazem com que os pontos distantes tenham menos influência.

Principais métodos

  • fit(X, y): Este método é usado para treinar o modelo SVR com os dados de treinamento, onde X são os recursos de entrada e y são os valores de destino.

  • predict(X): Uma vez que o modelo é treinado, você pode usar este método para fazer previsões para novos dados de entrada X.

  • score(X, y): Este método retorna a pontuação R-squared da previsão. Quanto mais próximo de 1, melhor é o desempenho do modelo.

Exemplo

from sklearn.svm import SVR
import numpy as np
 
# Dados de exemplo
X = np.array([1, 2, 3, 4, 5]).reshape(-1, 1)
y = np.array([2, 4, 6, 8, 10])
 
# Criação do modelo SVR
svr = SVR(kernel='linear', C=1.0)
 
# Treinamento do modelo
svr.fit(X, y)
 
# Previsão
predicted = svr.predict([[6]])
print(predicted)  # Saída: [12.]

Neste exemplo, criamos um modelo SVR com um kernel linear, treinamos o modelo com dados de entrada X e valores de destino y, e então usamos o modelo treinado para prever o valor correspondente a X = 6, que é aproximadamente 12.

Conclusão

A classe SVR do módulo sklearn.svm é uma ferramenta poderosa para problemas de regressão, especialmente quando a relação entre os recursos de entrada e os valores de destino é complexa ou não linear. A escolha do kernel e dos hiperparâmetros adequados é fundamental para o desempenho do modelo. Experimentar diferentes configurações é muitas vezes necessário para encontrar a melhor solução para um problema específico.

Graph View

Backlinks