SVM-регрессия

Материал из MachineLearning.

Версия от 15:51, 18 июля 2026; Aleksandr Pochtarev (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Перейти к: навигация, поиск

Статья написана с использованием LLM ChatGPT 5.6 Terra и проверена участником А.Ю.Почтарев 18 июля 2026

Промпт приводится полностью в Обсуждение:SVM-регрессия

Содержание

1 Постановка задачи и мотивация
2 -SVR
- 2.1 Прямая задача оптимизации
- 2.2 Двойственная задача и опорные векторы
3 Ядра и нелинейные зависимости
4 Обучение, выбор модели и оценка качества
5 Свойства, преимущества и ограничения
6 Варианты и связь с другими методами
7 История
8 См. также
9 Примечания
10 Литература

Регрессия методом опорных векторов (SVM-регрессия, англ. support vector regression, SVR) — метод обучения с учителем для предсказания числовой целевой переменной. Это регрессионный вариант метода опорных векторов (SVM). В наиболее распространённой постановке, называемой $\varepsilon$ -SVR, алгоритм ищет функцию, которая как можно более гладка и при этом допускает отклонение предсказания от обучающего ответа не больше заданной величины $\varepsilon$ . Отклонения за пределами этой «трубки» штрафуются линейно.^[1]

SVR применяют, когда нужно построить зависимость между признаками и непрерывной величиной: например, прогнозировать цену, потребление энергии, физическое измерение или остаточный срок службы оборудования. Нелинейные зависимости моделируются посредством ядерного метода, поэтому модель может быть нелинейной в исходных признаках, оставаясь линейной в некотором признаковом пространстве. Как и другие SVM, SVR опирается на регуляризацию и решается как выпуклая задача квадратичного программирования; для фиксированных гиперпараметров это означает отсутствие локальных минимумов целевой функции.^[1]

Постановка задачи и мотивация

Пусть дана обучающая выборка

$\mathcal D=\{(x_i,y_i)\}_{i=1}^{n},\qquad x_i\in\mathbb R^p,\quad y_i\in\mathbb R,$

где $x_i$ — вектор признаков, а $y_i$ — известный числовой ответ. Требуется построить функцию $f$ , которая хорошо предсказывает $y$ для новых объектов из того же распределения. В линейном случае

$f(x)=w^{\mathsf T}x+b,$

где $w$ — вектор весов, $b$ — свободный член.

В обычном методе наименьших квадратов штрафуется любая ненулевая ошибка. В $\varepsilon$ -SVR ошибки до $\varepsilon$ считаются практически несущественными. Используется $\varepsilon$ -нечувствительная функция потерь (англ. $\varepsilon$ -insensitive loss):

$L_{\varepsilon}(y,f(x))=\max\{0,\,|y-f(x)|-\varepsilon\}.$

Геометрически это соответствует трубке ширины $2\varepsilon$ вокруг графика $f$ . Объекты внутри трубки не вносят вклад в эмпирическую ошибку; для объекта с большей ошибкой важна только часть отклонения, выходящая за её границу. Такая функция потерь растёт линейно, а не квадратично, поэтому одиночные большие выбросы влияют на критерий слабее, чем при квадратичной потере, но не перестают влиять совсем.^[1]

Одной только малой ошибки на обучающей выборке недостаточно: сложная функция может переобучиться. В линейной модели величина $||w||$ служит мерой её сложности: меньшая норма соответствует более «плоской» функции. SVR совместно минимизирует сложность и ошибки за пределами трубки.

$\varepsilon$ -SVR

Прямая задача оптимизации

Для допуска нарушений вводятся неотрицательные переменные $\xi_i$ и $\xi_i^*$ . Они измеряют соответственно превышение верхней и нижней границ трубки. После отображения признаков $\varphi(x)$ в некоторое пространство признаков минимизируется величина

$\min_{w,b,\xi,\xi^*} \frac{1}{2} ||w||^2 + C \sum_{i=1}^{n}(\xi_i+\xi_i^*)$

при ограничениях

$y_i-w^T\varphi(x_i)-b \leq \varepsilon+\xi_i$

$w^T\varphi(x_i)+b-y_i \leq \varepsilon+\xi_i^*$

$\xi_i \geq 0,\quad \xi_i^* \geq 0,\quad i=1,\ldots,n$

Параметр $C > 0$ задаёт компромисс между шириной трубки, гладкостью функции и наказанием за нарушения:

при большом $C$ модель сильнее стремится объяснить обучающие данные и обычно имеет меньшую регуляризацию;
при малом $C$ важнее малая норма $w$ , поэтому модель может быть более простой, но недообученной;
большее $\varepsilon$ делает трубку шире и, как правило, уменьшает число опорных векторов, однако может скрыть значимые для задачи ошибки.

Эквивалентная запись критерия без явных переменных $\xi$ показывает его смысл:

$\min_{w,b} \frac{1}{2} ||w||^2 + C \sum_{i=1}^{n} L_{\varepsilon}(y_i,w^T\varphi(x_i)+b)$

Двойственная задача и опорные векторы

Для ядровой SVR обычно решают двойственную задачу. Она выражает результат только через попарные значения ядра $K(x_i,x_j)=\varphi(x_i)^T\varphi(x_j)$ . Максимизируется величина

$\max_{\alpha,\alpha^*} -\frac{1}{2} \sum_{i=1}^{n}\sum_{j=1}^{n}(\alpha_i-\alpha_i^*)(\alpha_j-\alpha_j^*)K(x_i,x_j) - \varepsilon \sum_{i=1}^{n}(\alpha_i+\alpha_i^*) + \sum_{i=1}^{n}y_i(\alpha_i-\alpha_i^*)$

при ограничениях

$\sum_{i=1}^{n}(\alpha_i-\alpha_i^*)=0$

$0 \leq \alpha_i \leq C,\quad 0 \leq \alpha_i^* \leq C,\quad i=1,\ldots,n$

После нахождения множителей Лагранжа прогноз записывается как

$f(x)=\sum_{i=1}^{n}(\alpha_i-\alpha_i^*)K(x_i,x)+b.$

Объекты, для которых $\alpha_i-\alpha_i^*\ne0$ , называются опорными векторами. Именно они определяют итоговую функцию; точки строго внутри $\varepsilon$ -трубки обычно имеют нулевые коэффициенты и не входят в сумму. Это свойство даёт разреженное представление модели, хотя на шумных данных число опорных векторов может быть большим.^[1]

Ядра и нелинейные зависимости

Отображение $\varphi$ не требуется вычислять явно. Достаточно выбрать ядро — симметричную положительно полуопределённую функцию, для которой существует скалярное произведение в некотором признаковом пространстве. Это и есть ядерный трюк (англ. kernel trick).

Часто используются следующие ядра:

линейное: $K(x,z)=x^{\mathsf T}z$ ; подходит, когда зависимость близка к линейной или число признаков очень велико;
полиномиальное: $K(x,z)=(\gamma x^{\mathsf T}z+r)^d$ ; учитывает взаимодействия признаков ограниченной степени;
радиально-базисное (RBF, гауссово): $K(x,z)=\exp(-\gamma||x-z||^2)$ ; задаёт локальное сходство объектов и является распространённой отправной точкой для нелинейной SVR.

Здесь $\gamma>0$ , $r$ и $d$ — гиперпараметры. У RBF-ядра большое $\gamma$ означает малый радиус влияния отдельной точки и повышает гибкость модели; слишком большое значение может привести к переобучению. Выбор ядра — не автоматическое доказательство нелинейности данных: его, как и значения $C$ и $\varepsilon$ , проверяют на данных, не использованных при обучении.^[1]

Обучение, выбор модели и оценка качества

Матрица ядра имеет размер $n\times n$ , поэтому хранение всех её элементов требует квадратичной по $n$ памяти. Решение полной двойственной задачи также может быть вычислительно затруднительно на очень больших выборках. Практические реализации используют специализированные методы декомпозиции задачи квадратичного программирования: на каждом шаге оптимизируется небольшой рабочий набор коэффициентов. Такие подходы лежат в основе распространённых библиотек SVM, включая LIBSVM.^[1]

Практический порядок работы обычно таков:

Отделяют тестовую выборку, которую не используют ни для подбора параметров, ни для предварительной обработки.
Преобразуют числовые признаки к сопоставимому масштабу, например стандартизируют. Для RBF- и полиномиального ядер это особенно важно, поскольку расстояния и скалярные произведения зависят от масштаба признаков.
При необходимости масштабируют и целевой признак $y$ ; метрики затем считают после обратного преобразования предсказаний.
На обучающей части подбирают ядро и параметры $C$ , $\varepsilon$ , а для RBF также $\gamma$ . Для этого применяют перекрёстную проверку (англ. cross-validation) или выделенную проверочную, то есть отложенную, выборку (англ. hold-out validation).
Оценивают окончательную модель на тестовых объектах заранее выбранной метрикой, например MAE, RMSE или $R^2$ . Метрика должна соответствовать стоимости ошибок в прикладной задаче.

Параметры следует подбирать вместе: например, эффект $\gamma$ для RBF-ядра зависит от масштаба признаков и от $C$ . Все преобразования — заполнение пропусков, масштабирование, кодирование категорий — обучают только на каждой обучающей части разбиения и затем применяют к соответствующей проверочной части. Иначе возникает утечка данных (англ. data leakage) и оценка качества оказывается чрезмерно оптимистичной.

Для очень больших наборов данных полная ядровая SVR часто непрактична. Возможные альтернативы зависят от задачи: линейная SVR, если линейность приемлема; приближённые ядерные методы; либо другие регрессионные модели. Это инженерное решение следует принимать по проверяемому качеству, времени обучения, времени предсказания и требованиям к объяснимости, а не по названию алгоритма.

Свойства, преимущества и ограничения

К преимуществам SVR относят выпуклую постановку задачи, возможность использовать нелинейные зависимости через ядра и часто разреженную форму предсказателя. $\varepsilon$ -нечувствительная потеря явно выражает допустимую точность измерения: если ошибки меньше $\varepsilon$ действительно несущественны, этот параметр имеет предметную интерпретацию.

Ограничения метода также существенны.

Нелинейная SVR чувствительна к масштабам признаков и к выбору $C$ , $\varepsilon$ и параметров ядра; значения «по умолчанию» редко являются обоснованным выбором.
Ядерная матрица ограничивает применимость метода на больших выборках по памяти и времени. Стоимость одного предсказания пропорциональна числу опорных векторов.
Результат с нелинейным ядром обычно труднее интерпретировать, чем коэффициенты линейной регрессии; опорные векторы не являются автоматически «наиболее важными признаками».
Стандартная SVR возвращает точечный прогноз, но не вероятностный прогноз и не доверительный интервал. Если интервальная неопределённость необходима, её строят отдельными методами и проверяют их калибровку.
Линейный рост потерь делает метод менее чувствительным к большим остаткам, чем квадратичная потеря, но не защищает от произвольных выбросов в признаках или целевой переменной. Нужны анализ данных и, при необходимости, специальные робастные методы.

Варианты и связь с другими методами

$\nu$ -SVR заменяет непосредственный выбор $\varepsilon$ параметром $\nu\in(0,1]$ . В исходной формулировке $\nu$ имеет интерпретацию верхней границы доли объектов с ошибкой и нижней границы доли опорных векторов при обычных условиях невырожденности; поэтому он может быть удобнее для настройки, чем заранее заданная ширина трубки.^[1]

SVR отличается от SVM-классификации прежде всего типом целевой переменной и функцией потерь. SVM-классификатор разделяет классы и обычно использует шарнирную потерю; SVR оценивает действительное число и использует $\varepsilon$ -нечувствительную потерю. С гребневой регрессией SVR роднят регуляризация и возможность ядрового расширения, но гребневая регрессия наказывает квадраты всех остатков, тогда как SVR игнорирует ошибки внутри трубки и имеет линейный штраф за её пределами. Поэтому их качество и число активных объектов могут заметно различаться даже на одной и той же выборке.^[1]

История

Теоретической основой SVM стала статистическая теория обучения Владимира Вапника. Алгоритм максимизации зазора для классификации был изложен Б. Бозером, И. Гийон и В. Вапником в 1992 году.^[1] В 1996 году в материалах конференции NIPS были опубликованы работы Вапника, Голоуича и Смолы о приближении функций и оценивании регрессии методом опорных векторов, а также Друкера, Бёрджеса, Кауфман, Смолы и Вапника под названием «Support Vector Regression Machines». Последняя работа представила SVR как новую регрессионную технику и сопоставила её с бэггингом регрессионных деревьев и гребневой регрессией в признаковом пространстве.^[1]^[1]

В дальнейшем были разработаны алгоритмы для более крупных наборов данных, варианты постановки задачи и программные библиотеки. Обзор Смолы и Шёлькопфа 2004 года систематизировал основные формулировки SVR, методы оптимизации и связь с регуляризацией.^[1]

См. также

Примечания

Литература

Vapnik, V. N. The Nature of Statistical Learning Theory. — Springer, 1995. — 188 p. — ISBN 978-1-4757-2440-0. — DOI: 10.1007/978-1-4757-2440-0.
Smola, A. J.; Schölkopf, B. A Tutorial on Support Vector Regression // Statistics and Computing. — 2004. — Vol. 14, no. 3. — P. 199–222. — DOI: 10.1023/B:STCO.0000035301.49549.88.
Schölkopf, B.; Smola, A. J. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. — MIT Press, 2002. — 626 p. — ISBN 978-0-262-19475-4.
Hastie, T.; Tibshirani, R.; Friedman, J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. — Springer, 2009. — 745 p. — ISBN 978-0-387-84858-7. — DOI: 10.1007/978-0-387-84858-7.

Источник — «http://machinelearning.ru/wiki/index.php?title=SVM-%D1%80%D0%B5%D0%B3%D1%80%D0%B5%D1%81%D1%81%D0%B8%D1%8F»

Категории: Машинное обучение | Регрессионный анализ