Regularized Support Vector Machine
Regularized Support Vector Machine laajentaa klassista SVM:ää kontrolloimalla eksplisiittisesti kompromissia reunaman maksimoinnin ja koulutusvirheen välillä L1- tai L2-rangaistusparametrin avulla. Cortesin ja Vapnikin vuonna 1995 esittelemä pehmeän reunaman (soft-margin) muotoilu on itsessään regularisoitu malli, ja myöhemmät L1-SVM-variantit edistävät lisäksi piirteiden harvuutta, mahdollistaen automaattisen muuttujien valinnan korkean ulottuvuuden asetelmissa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/fi/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.
- Lasso-regressioKoneoppiminen↔ compare
- Lineaarinen diskriminanttianalyysi (LDA)Koneoppiminen↔ compare
- Regularisoitu lineaarinen regressioKoneoppiminen↔ compare
- Regularisoitu logistinen regressioKoneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →