Regulariseret Support Vector Machine
Regulariseret Support Vector Machine udvider den klassiske SVM ved eksplicit at kontrollere afvejningen mellem marginmaksimering og træningsfejl gennem en L1- eller L2-straffeparameter. Soft-margin-formuleringen, introduceret af Cortes og Vapnik i 1995, er i sig selv en regulariseret model, og senere L1-SVM-varianter fremmer yderligere feature-sparsitet, hvilket muliggør automatisk variabelselektion i højdimensionelle indstillinger.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/da/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.
- Lasso-regressionMaskinlæring↔ compare
- Lineær Diskriminant Analyse (LDA)Maskinlæring↔ compare
- Regulariseret Lineær RegressionMaskinlæring↔ compare
- Regulariseret logistisk regressionMaskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →