Κανονικοποιημένη Μηχανή Υποστήριξης Διανυσμάτων
Η Κανονικοποιημένη Μηχανή Υποστήριξης Διανυσμάτων (Regularized Support Vector Machine) επεκτείνει την κλασική SVM ελέγχοντας ρητά την αντιστάθμιση μεταξύ μεγιστοποίησης του περιθωρίου και σφάλματος εκπαίδευσης μέσω μιας παραμέτρου ποινής L1 ή L2. Η διατύπωση μαλακού περιθωρίου (soft-margin) που εισήγαγαν οι Cortes και Vapnik το 1995 είναι από μόνη της ένα κανονικοποιημένο μοντέλο, και μεταγενέστερες παραλλαγές L1-SVM προωθούν επιπλέον αραιότητα χαρακτηριστικών (feature sparsity), επιτρέποντας αυτόματη επιλογή μεταβλητών σε ρυθμίσεις υψηλής διάστασης.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/el/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.
- Παλινδρόμηση LassoΜηχανική Μάθηση↔ compare
- Γραμμική Διακριτική Ανάλυση (LDA)Μηχανική Μάθηση↔ compare
- Γραμμική Παλινδρόμηση με ΚανονικοποίησηΜηχανική Μάθηση↔ compare
- Κανονικοποιημένη Λογιστική ΠαλινδρόμησηΜηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →