Узел «Линейные модели» объединяет в себе линейные классификаторы и регрессоры с обучением методом стохастического градиентного спуска и поддерживает различные функции потерь и штрафы.
Список параметров узла представлен в Таблица 33.
| Якорь |
|---|
_Ref91716620 | _Ref91716620 | Таблица 33 — таблице ниже
| Scroll Title |
|---|
| title-position | top |
|---|
| title-alignment | center |
|---|
| title | Параметры узла «Линейные модели» |
|---|
|
Параметр | Возможные значения и ограничения | Описание | Название | Ручной ввод Ограничений на значение нет | Название узла, которое будет отображаться в интерфейсе | Описание | Ручной ввод Ограничений на значение нет | Описание узла | Функция потерь для классификации | Раскрывающийся список со следующими значениями: - hinge (по умолчанию)
- log
- modified_huber
- squared_hinge
|
|
...
- perceptron
- squared_loss
- huber
- epsilon_insensitive
- squared_epsilon_insensitive
| Данный параметр задает функцию потерь для классификационной задачи. Предусмотрены следующие функции: - hinge – средняя потеря петель
- log – логистическая регрессия
- modified_huber – сглаженная потеря петли
- squared_hinge – похож на hinge, но его штраф возведен в квадрат
- perceptron – перцептрон
- squared_loss – метод наименьших квадратов
- huber – потеря Хубера
- epsilon_insensitive
- squared_epsilon_insensitive
| Функция потерь для регрессии | Раскрывающийся список со следующими значениями: - squared_error (по умолчанию)
- huber
- epsilon_insensitive
- squared_epsilon_insensitive
| Данный параметр задает функцию потерь для регрессионной задачи. Предусмотрены следующие функции: - squared_error – метод наименьших квадратов
- huber – потеря Хубера
- epsilon_insensitive
- squared_epsilon_insensitive
| Epsilon | Ручной ввод Неотрицательное число По умолчанию — 0,1 | Данный параметр задает Epsilon в функцию потерь | L1 | Ручной ввод Число больше или равно 0 По умолчанию — 0,5 | Данный параметр задает значение L1-регуляризации | L2 | Ручной ввод Число больше или равно 0 По умолчанию — 0,5 | Данный параметр задает значение L2-регуляризации | Правило определения скорости обучения | Раскрывающийся список со следующими значениями: - constant
- optimal (по умолчанию)
- invscaling
- adaptive
| Данный параметр задает правило определения скорости обучения. Предусмотрены следующие: - constant – постоянная скорость обучения
- optimal – опеределяется на основе эвристики, предложенной Леоном Ботту
- invscaling – обратное масштабирование
- adaptive – адаптивноое уменьшения скорости обучения
| Начальная скорость обучения | Ручной ввод Неотрицательное число По умолчанию — 0,001 | Данный параметр задает начальную скорость обучения | Стандартизация | Раскрывающийся список со следующими значениями: - no (по умолчанию)
- std
- range
| Данные параметр отвечает за выбор метода стандартизации данных. Предусмотрены следующие методы: - no — нет
- std — стандартное отклонение - преобразует наблюдения таким образом, чтобы их среднее значение равнялось нулю, а стандартное отклонение равнялось 1.
|
|
...
- range — диапазон - линейно преобразует значения переменных в диапазон [0, 1].
|
|
...
]]></ac:plain-text-body></ac:structured-macro>
Метод построения вероятностей | Раскрывающийся список со следующими значениями: - linear (по умолчанию)
- logistic
| Данный параметр задает метод построения вероятностей | Показатель степени для изменения скорости обучения | Ручной ввод Неотрицательное число По умолчанию — 0,5 | Данный параметр задает показатель степени для изменения скорости обучения | Добавить константу в модель | Чекбокс | Выбор данного чекбокса добавит константу в модель | Перемешать наблюдения | Чекбокс | Выбор данного чекбокса указывает на необходимость перемешать наблюдения | Seed | Ручной ввод числового значения По умолчанию — 42 | Начальное числовое значение для генератора случайных чисел | Усреднение коэффициентов | Ручной ввод Число больше или равно 0 По умолчанию — 0 | Данный параметр задает вычисление усредненных коэффициентов в результирующей линейной модели | Количество итераций | Ручной ввод Неотрицательное число По умолчанию — 1000 | Данный параметр задает количество итераций, после достижения алгоритм останавливается | Ранняя остановка | Чекбокс | Выбор данного чекбокса указывает на необходимость ранней остановки алгоритма, если валидационная оценка не улучшается | Размер % валидационной выборки для ранней остановки | Ручной ввод Число больше 0 и меньше 1 По умолчанию — 0,1 | Данный параметр задает долю обучающих данных, которые нужно отложить в качестве валидационного набора для ранней остановки | Допустимая погрешность | Ручной ввод Неотрицательное число По умолчанию — 0,0001 | Данный параметр задает допустимую погрешность для оптимизации |
|
Результаты выполнения узла:
Узел «Линейные модели» имеет разные результаты в зависимости от решаемой задачи.
Результаты регрессии представлены следующими объектами:
- Тепловые карты для обучающей, валидационной и тестовой выборок (Аналогично узлу «Байесовская регрессия» Рисунок 142).
- Таблица с метриками качества модели (Аналогично узлу «Байесовская регрессия» Рисунок 143).
- Таблица с коэффициентами переменных (Аналогично узлу «Байесовская регрессия» Рисунок 144).
Результаты бинарной классификации представлены следующими объектами:
...
- Таблица с метриками качества модели (Аналогично узлу «Логистическая регрессия» Рисунок 145).
- Таблица с метриками качества модели задачи классификации (Аналогично узлу «Логистическая регрессия» Рисунок 146).
- Таблица с коэффициентами переменных (Аналогично узлу «Логистическая регрессия» Рисунок 147).