Перейти к основному содержанию
Перейти к основному содержанию

stochasticLinearRegression

Эта функция реализует стохастическую линейную регрессию. Она поддерживает настройку скорости обучения, коэффициента L2-регуляризации, размера мини-батча, а также несколько методов обновления весов (Adam (используется по умолчанию), simple SGD, Momentum и Nesterov).

Параметры​

Доступно 4 настраиваемых параметра. Они передаются функции последовательно, но нет необходимости передавать все четыре — будут использованы значения по умолчанию; однако для построения качественной модели обычно требуется дополнительная настройка параметров.

stochasticLinearRegression(0.00001, 0.1, 15, 'Adam')
  1. learning rate — коэффициент, определяющий длину шага при выполнении шага градиентного спуска. Слишком большое значение может привести к стремлению весов модели к бесконечности. Значение по умолчанию — 0.00001.
  2. l2 regularization coefficient — коэффициент L2‑регуляризации, который может помочь предотвратить переобучение. Значение по умолчанию — 0.1.
  3. mini-batch size задаёт число элементов, по которым вычисляются и суммируются градиенты для выполнения одного шага градиентного спуска. Чистый стохастический спуск использует один элемент, однако использование небольших батчей (порядка 10 элементов) делает шаги градиентного спуска более стабильными. Значение по умолчанию — 15.
  4. method for updating weights — метод обновления весов; доступны: Adam (по умолчанию), SGD, Momentum и Nesterov. Momentum и Nesterov требуют немного больше вычислений и памяти, однако они оказываются полезны с точки зрения скорости сходимости и устойчивости стохастических градиентных методов.

Использование​

stochasticLinearRegression используется в два этапа: обучение модели и предсказание на новых данных. Чтобы обучить модель и сохранить её состояние для последующего использования, применяется комбинатор -State, который сохраняет состояние (например, веса модели). Для предсказаний используется функция evalMLMethod, которая принимает состояние как аргумент, а также признаки, по которым нужно сделать предсказание.

1. Обучение

Можно использовать следующий запрос.

CREATE TABLE IF NOT EXISTS train_data
(
    param1 Float64,
    param2 Float64,
    target Float64
) ENGINE = Memory;

CREATE TABLE your_model ENGINE = Memory AS SELECT
stochasticLinearRegressionState(0.1, 0.0, 5, 'SGD')(target, param1, param2)
AS state FROM train_data;

Здесь нам также необходимо вставить данные в таблицу train_data. Количество параметров не фиксировано: оно зависит только от числа аргументов, переданных в linearRegressionState. Все они должны быть числовыми значениями. Обратите внимание, что столбец с целевым значением (которое мы хотим научиться предсказывать) передаётся в качестве первого аргумента.

2. Предсказание

После сохранения состояния в таблицу мы можем использовать его многократно для предсказаний или даже объединять с другими состояниями и создавать новые, ещё более качественные модели.

WITH (SELECT state FROM your_model) AS model SELECT
evalMLMethod(model, param1, param2) FROM test_data

Запрос вернёт столбец предсказанных значений. Обратите внимание, что первый аргумент evalMLMethod — это объект AggregateFunctionState, далее указаны столбцы с признаками.

test_data — это таблица, аналогичная train_data, но она может не содержать целевого значения.

Примечания​

  1. Чтобы объединить две модели, пользователь может выполнить такой запрос: sql SELECT state1 + state2 FROM your_models где таблица your_models содержит обе модели. Этот запрос вернёт новый объект AggregateFunctionState.

  2. Пользователь может получить веса созданной модели для собственных целей, не сохраняя модель, если не используется комбинатор -State. sql SELECT stochasticLinearRegression(0.01)(target, param1, param2) FROM train_data Такой запрос обучит модель и вернёт её веса: сначала идут веса, соответствующие параметрам модели, последний — смещение (bias). Поэтому в приведённом выше примере запрос вернёт столбец из трёх значений.

См. также