Support Vector Regression
Support Vector Regression (SVR), jonka Smola ja Schölkopf (2004) esittelivät tutoriaalissaan, ennustaa jatkuvaa lopputulosta sovittamalla funktion, joka pysyy datan ympärillä olevassa epsilonin levyisessä putkessa mahdollisimman vähäisellä virheellä. Se laajentaa tukivektorikoneen idean luokittelusta regressioon käyttäen kernel-funktiota epälineaaristen suhteiden mallintamiseen.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- 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 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/fi/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-lähimmät naapuritKoneoppiminen↔ compare
- Lasso-regressioKoneoppiminen↔ compare
- HarjanneregressioKoneoppiminen↔ compare
- Tukivektorikone (luokittelu)Koneoppiminen↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →