Support Vector Regression
Support Vector Regression (SVR), jak je popsáno v přehledové práci Smoly a Schölkopfa z roku 2004, předpovídá spojitý výstup přizpůsobením funkce, která se drží v tubusu o šířce epsilon kolem dat, přičemž minimalizuje chybu. Rozšiřuje myšlenku podpůrných vektorů z klasifikace na regresi a využívá kernel k zachycení nelineárních vztahů.
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
- Smola, A.J. & Schölkopf, B. (2004). A Tutorial on Support Vector Regression. Statistics and Computing, 14, 199–222. DOI: 10.1023/B:STCO.0000035301.49549.88 ↗
Jak citovat tuto stránku
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/cs/machine-learning/svm-regression
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.
- Metoda K-nejbližších sousedůStrojové učení↔ compare
- Regrese LassoStrojové učení↔ compare
- Ridge regreseStrojové učení↔ compare
- Stroj s podpůrnými vektory (klasifikace)Strojové učení↔ compare
Odkazuje sem
Našli jste na této stránce chybu? Nahlaste ji nebo navrhněte opravu →