Passer au contenu principal

​
stochasticLinearRegression

Introduit dans : v20.1.0 Cette fonction implémente une régression linéaire stochastique. Elle prend en charge des paramètres personnalisés pour :
  • taux d’apprentissage
  • coefficient de régularisation L2
  • taille des mini-lots
Elle propose également plusieurs méthodes de mise à jour des poids :
  • Adam (utilisée par défaut)
  • SGD simple
  • Momentum
  • Nesterov
Utilisation La fonction s’utilise en deux étapes : l’entraînement du modèle, puis la prédiction sur de nouvelles données.
  1. Entraînement
Pour l’entraînement, vous pouvez utiliser une requête comme celle-ci : 
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, x1, x2)
AS state FROM train_data;
Ici, nous devons également insérer des données dans la table train_data. Le nombre de paramètres n’est pas fixe ; il dépend uniquement du nombre d’arguments passés à linearRegressionState. Ils doivent tous être des valeurs numériques. Notez que la colonne contenant la valeur cible (que nous voulons apprendre à prédire) est insérée en tant que premier argument.
  1. Prédiction
Après avoir enregistré un état dans la table, nous pouvons l’utiliser plusieurs fois pour effectuer des prédictions, ou même le fusionner avec d’autres états afin de créer de nouveaux modèles encore meilleurs. 
WITH (SELECT state FROM your_model) AS model SELECT
evalMLMethod(model, x1, x2) FROM test_data
La requête renverra une colonne de valeurs prédites. Notez que le premier argument de evalMLMethod est un objet AggregateFunctionState ; les suivants sont des colonnes de caractéristiques. test_data est une table similaire à train_data, mais peut ne pas contenir la valeur cible. Remarques
  1. Pour fusionner deux modèles, l’utilisateur peut créer la requête suivante :
SELECT state1 + state2 FROM your_models
où la table your_models contient les deux modèles. Cette requête renverra un nouvel objet AggregateFunctionState.
  1. Vous pouvez récupérer les poids du modèle créé pour vos propres usages sans enregistrer le modèle si aucun combinateur -State n’est utilisé.
SELECT stochasticLinearRegression(0.01)(target, param1, param2)
FROM train_data
Une requête comme celle-ci ajuste le modèle et renvoie ses poids : les premiers sont les poids, qui correspondent aux paramètres du modèle, et le dernier est le biais. Ainsi, dans l’exemple ci-dessus, la requête renverra une colonne contenant 3 valeurs. Syntaxe 
stochasticLinearRegression([learning_rate, l2_regularization_coef, mini_batch_size, method])(target, x1, x2, ...)
Arguments
  • learning_rate — Coefficient de longueur de pas lors de l’exécution d’une étape de descente de gradient. Un taux d’apprentissage trop élevé peut entraîner des poids infinis pour le modèle. La valeur par défaut est 0.00001. Float64
  • l2_regularization_coef — Coefficient de régularisation L2, qui peut aider à éviter le surapprentissage. La valeur par défaut est 0.1. Float64
  • mini_batch_size — Définit le nombre d’éléments pour lesquels les gradients sont calculés puis additionnés afin d’effectuer une étape de descente de gradient. La descente purement stochastique utilise un seul élément, mais de petits batches (environ 10 éléments) rendent les étapes de gradient plus stables. La valeur par défaut est 15. UInt64
  • method — Méthode de mise à jour des poids : Adam (par défaut), SGD, Momentum, Nesterov. Momentum et Nesterov nécessitent légèrement plus de calculs et de mémoire, mais ils sont utiles en termes de vitesse de convergence et de stabilité des méthodes de gradient stochastique. const String
  • target — Valeur cible (variable dépendante) à apprendre à prédire. Doit être numérique. Float*
  • x1, x2, ... — Valeurs des caractéristiques (variables indépendantes). Elles doivent toutes être numériques. Float*
Valeur renvoyée Renvoie les poids du modèle de régression linéaire entraîné. Les premières valeurs correspondent aux paramètres du modèle, la dernière est le biais. Utilisez evalMLMethod pour effectuer des prédictions. Array(Float64) Exemples Entraînement d’un modèle
Query
CREATE TABLE your_model
ENGINE = Memory
AS SELECT
stochasticLinearRegressionState(0.1, 0.0, 5, 'SGD')(target, x1, x2)
AS state FROM train_data
Response
Saves trained model state to table
Faire des prédictions
Query
WITH (SELECT state FROM your_model) AS model SELECT
evalMLMethod(model, x1, x2) FROM test_data
Response
Returns predicted values for test data
Récupération des poids du modèle
Query
SELECT stochasticLinearRegression(0.01)(target, x1, x2) FROM train_data
Response
Returns model weights without saving state
Voir aussi
Dernière modification le 25 juin 2026