Robuste Support-Vektor-Maschine
Eine robuste SVM erweitert die Standard-Support-Vektor-Maschine, um den Einfluss von Ausreißern und falsch gelabelten Punkten zu widerstehen. Durch Ersetzen des Hinge-Verlusts durch eine beschränkte oder nicht-konvexe Verlustfunktion – oder durch Einbeziehung robuster Optimierungsbeschränkungen – lernt sie eine Entscheidungsgrenze, die durch korrumpierte Trainingsbeispiele weitaus weniger verzerrt wird, was sie für verrauschte reale Datensätze geeignet macht, bei denen eine Standard-SVM erheblich schlechter abschneiden würde.
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
- Xu, H., Caramanis, C., & Mannor, S. (2009). Robustness and regularization of support vector machines. Journal of Machine Learning Research, 10, 1485–1510. link ↗
- Collobert, R., Sinz, F., Weston, J., & Bottou, L. (2006). Trading convexity for scalability. Proceedings of the 23rd International Conference on Machine Learning (ICML), 201–208. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/de/machine-learning/robust-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.
- One-Class SVMMaschinelles Lernen↔ compare
- Regularisierte Support Vector MachineMaschinelles Lernen↔ compare
- Robustes Gradient BoostingMaschinelles Lernen↔ compare
- Robuste Lineare RegressionMaschinelles Lernen↔ compare
- Robuster ZufallswaldMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →