Support Vector Regression
Support Vector Regression (SVR), beskrevet i Smola og Schölkopf's tutorial fra 2004, forudsiger et kontinuerligt udfald ved at tilpasse en funktion, der holder sig inden for et epsilon-bredt rør omkring dataene, samtidig med at den pådrager sig så lidt fejl som muligt. Den udvider support vector machine-idéen fra klassifikation til regression ved at bruge en kerne til at indfange ikke-lineære sammenhænge.
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
- 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 ↗
Sådan citerer du denne side
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/da/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.
- K-Nærmeste NaboerMaskinlæring↔ compare
- Lasso-regressionMaskinlæring↔ compare
- Ridge-regressionMaskinlæring↔ compare
- Support Vector Machine (Klassifikation)Maskinlæring↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →