Support Vector Regression
Support Vector Regression (SVR), wie in Smola und Schölkops Tutorial von 2004 beschrieben, sagt ein kontinuierliches Ergebnis voraus, indem eine Funktion angepasst wird, die innerhalb eines Epsilon-breiten Schlauchs um die Daten liegt und dabei möglichst geringe Fehler verursacht. Sie erweitert die Idee der Support Vector Machines von der Klassifikation zur Regression und nutzt einen Kernel, um nichtlineare Beziehungen zu erfassen.
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
- 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 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/de/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-Nearest NeighborsMaschinelles Lernen↔ compare
- Lasso-RegressionMaschinelles Lernen↔ compare
- Ridge RegressionMaschinelles Lernen↔ compare
- Support Vector Machine (Klassifikation)Maschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →