Глоссарий ИИ
Полный словарь искусственного интеллекта
Маржа эпсилон
Зона допуска, определённая вокруг гиперплоскости регрессии, в пределах которой не применяется штраф за ошибки прогнозирования. Ключевой параметр, контролирующий компромисс между сложностью модели и количеством допустимых ошибок.
Гиперплоскость регрессии
Линейная или нелинейная разделяющая поверхность, представляющая наилучшее приближение к обучающим данным в соответствии с критерием SVR. Оптимизируется для минимизации ошибки при одновременном максимизировании допуска (маржи).
Ослабляющие переменные
Переменные, вводимые для разрешения нарушений маржи эпсилон, когда данные не могут быть идеально аппроксимированы. Позволяют модели обрабатывать выбросы и шум в обучающих данных.
Эпсилон-нечувствительная функция потерь
Специфичная для SVR функция потерь, которая не применяет штраф к ошибкам, меньшим эпсилон, и линейный штраф к ошибкам, превышающим эпсилон. Способствует разреженности модели, игнорируя малые ошибки.
Квадратичная оптимизация
Математическая задача оптимизации с квадратичной целевой функцией и линейными ограничениями, решаемая для обучения моделей SVR. Использует алгоритмы, такие как SMO (Sequential Minimal Optimization), для эффективного решения.
SVR с RBF-ядром
Вариант SVR, использующий радиально-базисную функцию в качестве ядра, что позволяет улавливать сложные нелинейные зависимости между переменными. Особенно эффективен для задач, когда зависимость между входами и выходом неизвестна априори.
Конвейер SVR
Цепочка обработки, включающая нормализацию данных, снижение размерности и обучение модели SVR. Обеспечивает воспроизводимость и предотвращает утечку информации между этапами обучения и тестирования.
Перекрёстная проверка SVR
Надёжная методика оценки моделей SVR, включающая разделение данных на k подвыборок и повторяющееся обучение/оценку. Позволяет выбрать оптимальные гиперпараметры и оценить производительность обобщения.
Взвешенный SVR
Расширение стандартного SVR, где различные наблюдения получают разные веса в функции потерь. Полезно для обработки несбалансированных данных или придания большей важности определенным областям пространства признаков.
Остатки SVR
Различия между значениями, предсказанными моделью SVR, и фактическими значениями, используемые для диагностики качества подгонки. Анализ остатков позволяет выявить систематические закономерности и улучшить модель.