Machine à vecteurs de support régularisée
La Machine à Vecteurs de Support Régularisée étend la SVM classique en contrôlant explicitement le compromis entre la maximisation de la marge et l'erreur d'entraînement grâce à un paramètre de pénalité L1 ou L2. La formulation à marge souple introduite par Cortes et Vapnik en 1995 est elle-même un modèle régularisé, et les variantes ultérieures L1-SVM promeuvent en outre la parcimonie des caractéristiques, permettant une sélection automatique des variables dans des contextes de haute dimensionnalité.
Lire la méthode complète
Connectez-vous avec un compte gratuit pour lire cette section.
Method map
The neighbourhood of related methods — select a node to explore.
Sources
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/fr/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.
- Régression LassoApprentissage automatique↔ compare
- Analyse discriminante linéaire (ADL)Apprentissage automatique↔ compare
- Régression linéaire régulariséeApprentissage automatique↔ compare
- Régression logistique régulariséeApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →