Cos'è svr?

Support Vector Regression (SVR)

Support Vector Regression (SVR) è un algoritmo di apprendimento supervisionato utilizzato per la regressione. Si basa sui principi delle Support Vector Machines (SVM) e presenta diverse caratteristiche distintive:

• Funzione di costo: A differenza della regressione lineare, SVR cerca di trovare una funzione che si discosta al massimo da un certo valore (ε) dai dati reali. Questo valore è definito come il margine ε-insensibile. Questo concetto è discusso in dettaglio nella pagina https://it.wikiwhat.page/kavramlar/epsilon-duyarli%20kayıp%20fonksiyonu.

• Margine ε-insensibile: I punti dati che si trovano all'interno del margine ε non contribuiscono alla funzione di costo, rendendo il modello più robusto agli outlier.

• Kernel Trick: Come per le SVM per la classificazione, SVR può utilizzare il "kernel trick" per mappare i dati in spazi dimensionali superiori e risolvere problemi non lineari. I kernel comuni includono:

  • Lineare
  • Polinomiale
  • RBF (Radial Basis Function): Discusso in dettaglio qui: https://it.wikiwhat.page/kavramlar/radyal%20temel%20fonksiyon%20çekirdeği
  • Sigmoid

• Parametri importanti:

  • C (Regularization parameter): Controlla il trade-off tra la complessità del modello e la quantità di errori consentiti. Un valore più alto di C permette meno errori, ma può portare a overfitting. Un valore inferiore di C permette più errori, ma può portare a underfitting.
  • ε (Epsilon): Definisce la larghezza del margine ε-insensibile. Controlla la quantità di errori tollerati dal modello.
  • kernel: Specifica il kernel da utilizzare.
  • gamma: Parametro del kernel RBF. Definisce quanto lontano l'influenza di un singolo esempio di allenamento si estende. Un valore basso significa "lontano" e un valore alto significa "vicino".

• Applicazioni: SVR è utilizzato in una varietà di applicazioni, tra cui:

  • Previsione finanziaria
  • Previsione della domanda
  • Bioinformatica

• Vantaggi:

  • Efficace in spazi dimensionali superiori.
  • Relativamente resistente agli outlier grazie al margine ε-insensibile.
  • Versatile grazie alla possibilità di utilizzare diversi kernel.

• Svantaggi:

  • Intensivo in termini di calcolo, specialmente con grandi dataset.
  • Sensibile alla scelta dei parametri.
  • Difficile da interpretare rispetto a modelli lineari.

Per una comprensione più approfondita dei principi alla base delle SVM, consultare https://it.wikiwhat.page/kavramlar/destek%20vektör%20makineleri.