Regularized Support Vector Machine
La màquina de vectors de suport regularitzada (Regularized Support Vector Machine) estén la SVM clàssica controlant explícitament el compromís entre la maximització del marge i l'error d'entrenament mitjançant un paràmetre de penalització L1 o L2. La formulació de marge tou (soft-margin) introduïda per Cortes i Vapnik el 1995 és en si mateixa un model regularitzat, i les variants posteriors de SVM amb L1 promouen addicionalment la dispersió de característiques (feature sparsity), permetent la selecció automàtica de variables en entorns d'alta dimensionalitat.
Llegeix el mètode complet
Inicia la sessió amb un compte gratuït per llegir aquesta secció.
Method map
The neighbourhood of related methods — select a node to explore.
Fonts
- 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 ↗
Com citar aquesta pàgina
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/ca/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.
- Regressió LassoAprenentatge automàtic↔ compare
- Anàlisi Discriminant Lineal (LDA)Aprenentatge automàtic↔ compare
- Regressió Lineal RegularitzadaAprenentatge automàtic↔ compare
- Regressió logística regularitzadaAprenentatge automàtic↔ compare
Citat per
Has vist cap problema en aquesta pàgina? Informa'n o suggereix una correcció →