Регуляризирана машина за поддържащи вектори
Регуляризираната машина за поддържащи вектори (SVM) разширява класическата SVM чрез изрично контролиране на компромиса между максимизиране на маржа и грешка при обучение чрез L1 или L2 регуляризационен параметър. Формулировката с мек марж, въведена от Cortes и Vapnik през 1995 г., сама по себе си е регуляризиран модел, а по-късните L1-SVM варианти допълнително насърчават разредеността на признаците, позволявайки автоматичен избор на променливи в многомерни настройки.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Cortes, C. & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. DOI: 10.1007/BF00994018 ↗
- Zhu, J., Rosset, S., Tibshirani, R. & Hastie, T. (2004). 1-norm support vector machines. Advances in Neural Information Processing Systems (NIPS), 16. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/bg/machine-learning/regularized-support-vector-machine
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Регресия ЛасоМашинно обучение↔ compare
- Линеен дискриминантен анализ (LDA)Машинно обучение↔ compare
- Регуляризирана линейна регресияМашинно обучение↔ compare
- Регуляризирана логистична регресияМашинно обучение↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →