Παλινδρόμηση Υποστηρικτικών Διανυσμάτων
Η Παλινδρόμηση Υποστηρικτικών Διανυσμάτων (Support Vector Regression - SVR), όπως περιγράφεται στο εισαγωγικό άρθρο των Smola και Schölkopf (2004), προβλέπει μια συνεχή έκβαση προσαρμόζοντας μια συνάρτηση που παραμένει εντός ενός σωλήνα πλάτους ε (epsilon) γύρω από τα δεδομένα, ελαχιστοποιώντας ταυτόχρονα το σφάλμα. Επεκτείνει την ιδέα των μηχανών υποστηρικτικών διανυσμάτων από την ταξινόμηση στην παλινδρόμηση, χρησιμοποιώντας έναν πυρήνα (kernel) για να συλλάβει μη γραμμικές σχέσεις.
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
- 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 ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/el/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.
- Κ-Κοντινότεροι ΓείτονεςΜηχανική Μάθηση↔ compare
- Παλινδρόμηση LassoΜηχανική Μάθηση↔ compare
- Παλινδρόμηση RidgeΜηχανική Μάθηση↔ compare
- Μηχανή Υποστήριξης Διανυσμάτων (Ταξινόμηση)Μηχανική Μάθηση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →