Regularizovaný podpůrný vektorový stroj
Regularizovaný podpůrný vektorový stroj rozšiřuje klasický SVM explicitním řízením kompromisu mezi maximalizací mezní oblasti a chybou učení pomocí parametru pokuty L1 nebo L2. Formulace měkké mezní oblasti (soft-margin) zavedená Cortesem a Vapnikem v roce 1995 je sama o sobě regularizovaný model, a pozdější varianty L1-SVM navíc podporují řídkost příznaků, což umožňuje automatický výběr proměnných ve vysoce dimenzionálních prostředích.
Přečíst celou metodu
Pro přečtení této sekce se přihlaste s bezplatným účtem.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/cs/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.
- Regrese LassoStrojové učení↔ compare
- Lineární diskriminační analýza (LDA)Strojové učení↔ compare
- Regularizované lineární regreseStrojové učení↔ compare
- Regularizovaná logistická regreseStrojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →