Regularisierte Support Vector Machine
Die Regularisierte Support Vector Machine erweitert die klassische SVM, indem sie den Kompromiss zwischen Margenmaximierung und Trainingsfehler explizit durch einen L1- oder L2-Penalisierungsparameter steuert. Die von Cortes und Vapnik 1995 eingeführte Soft-Margin-Formulierung ist selbst ein regularisiertes Modell, und spätere L1-SVM-Varianten fördern zusätzlich die Merkmalssparsität, was eine automatische Variablenauswahl in hochdimensionalen Umgebungen ermöglicht.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/de/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-RegressionMaschinelles Lernen↔ compare
- Lineare Diskriminanzanalyse (LDA)Maschinelles Lernen↔ compare
- Regularisierte Lineare RegressionMaschinelles Lernen↔ compare
- Regularisierte Logistische RegressionMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →