Régression par vecteurs de support
La régression par vecteurs de support (SVR), décrite dans le tutoriel de Smola et Schölkopf de 2004, prédit un résultat continu en ajustant une fonction qui reste dans un tube d'epsilon de largeur autour des données tout en minimisant l'erreur. Elle étend l'idée des machines à vecteurs de support de la classification à la régression, en utilisant un noyau pour capturer les relations non linéaires.
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
- 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 ↗
Comment citer cette page
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/fr/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.
- Plus Proches Voisins (PPV)Apprentissage automatique↔ compare
- Régression LassoApprentissage automatique↔ compare
- Régression RidgeApprentissage automatique↔ compare
- Machine à vecteurs de support (Classification)Apprentissage automatique↔ compare
Référencée par
Une erreur sur cette page ? Signalez-la ou proposez une correction →