Máquina de Vectores de Soporte Regularizada
La Máquina de Vectores de Soporte Regularizada (Regularized Support Vector Machine) extiende la SVM clásica controlando explícitamente el compromiso entre la maximización del margen y el error de entrenamiento mediante un parámetro de penalización L1 o L2. La formulación de margen suave introducida por Cortes y Vapnik en 1995 es en sí misma un modelo regularizado, y las variantes posteriores de SVM con L1 promueven además la escasez de características (feature sparsity), permitiendo la selección automática de variables en entornos de alta dimensionalidad.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- 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 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/es/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.
- Regresión LassoAprendizaje automático↔ compare
- Análisis Discriminante Lineal (LDA)Aprendizaje automático↔ compare
- Regresión Lineal RegularizadaAprendizaje automático↔ compare
- Regresión logística regularizadaAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →