Machine à vecteurs de support robuste
La SVM robuste étend la machine à vecteurs de support standard pour résister à l'influence des valeurs aberrantes et des points mal étiquetés. En remplaçant la perte charnière par une fonction de perte bornée ou non convexe — ou en incorporant des contraintes d'optimisation robustes — elle apprend une frontière de décision beaucoup moins déformée par des exemples d'entraînement corrompus, la rendant adaptée aux ensembles de données réels bruyants où la SVM standard se dégraderait considérablement.
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
- Xu, H., Caramanis, C., & Mannor, S. (2009). Robustness and regularization of support vector machines. Journal of Machine Learning Research, 10, 1485–1510. link ↗
- Collobert, R., Sinz, F., Weston, J., & Bottou, L. (2006). Trading convexity for scalability. Proceedings of the 23rd International Conference on Machine Learning (ICML), 201–208. link ↗
Comment citer cette page
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/fr/machine-learning/robust-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.
- SVM à une classeApprentissage automatique↔ compare
- Machine à vecteurs de support régulariséeApprentissage automatique↔ compare
- Gradient Boosting RobusteApprentissage automatique↔ compare
- Régression linéaire robusteApprentissage automatique↔ compare
- Forêt Aléatoire RobusteApprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →