stochasticLinearRegression

此函数实现了随机线性回归。它支持学习率、L2 正则化系数、小批量大小的自定义参数，并具有一些用于更新权重的方法（Adam（默认使用）、简单 SGD、动量和 Nesterov）。

参数

有 4 个可自定义的参数。它们按顺序传递给函数，但不需要传递全部四个 - 将使用默认值，但是好的模型需要一些参数调整。

stochasticLinearRegression(0.00001, 0.1, 15, 'Adam')

learning rate 是执行梯度下降步骤时步长的系数。学习率过大可能会导致模型的权重无限大。默认为 0.00001。
l2 regularization coefficient 可以帮助防止过拟合。默认为 0.1。
mini-batch size 设置元素的数量，将计算和汇总这些元素的梯度以执行梯度下降的一个步骤。纯随机下降使用一个元素，但是，使用小批量（约 10 个元素）可以使梯度步骤更稳定。默认为 15。
method for updating weights，它们是：Adam（默认）、SGD、Momentum 和 Nesterov。Momentum 和 Nesterov 需要更多的计算和内存，但是，它们在收敛速度和随机梯度方法的稳定性方面非常有用。

用法

stochasticLinearRegression 分两个步骤使用：拟合模型和预测新数据。为了拟合模型并保存其状态以供以后使用，我们使用 -State 组合器，该组合器保存状态（例如，模型权重）。要预测，我们使用函数 evalMLMethod，它以状态和要预测的特征作为参数。

1. 拟合

可以使用这样的查询。

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;

在这里，我们还需要将数据插入到 train_data 表中。参数的数量不是固定的，它仅取决于传递到 linearRegressionState 的参数数量。它们都必须是数值。请注意，目标值（我们希望学习预测的值）的列作为第一个参数插入。

2. 预测

将状态保存到表中后，我们可以多次使用它进行预测，甚至与其他状态合并并创建新的、更好的模型。

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

查询将返回预测值的列。请注意，evalMLMethod 的第一个参数是 AggregateFunctionState 对象，接下来是特征列。

test_data 是一个类似于 train_data 的表，但可能不包含目标值。

注释

要合并两个模型，用户可以创建这样的查询：sql SELECT state1 + state2 FROM your_models，其中 your_models 表包含两个模型。此查询将返回新的 AggregateFunctionState 对象。
如果未使用 -State 组合器，则用户可以获取创建模型的权重以用于自己的目的，而无需保存模型。sql SELECT stochasticLinearRegression(0.01)(target, param1, param2) FROM train_data 这样的查询将拟合模型并返回其权重 - 第一个是权重，它对应于模型的参数，最后一个是偏差。因此，在上面的示例中，查询将返回一个包含 3 个值的列。

参见

参数​

用法​

注释​

参数

用法

注释