Regulirani stroj vektora potpore
Regulirani stroj vektora potpore (SVM) proširuje klasični SVM eksplicitnim kontroliranjem kompromisa između maksimizacije margina i pogreške učenja putem L1 ili L2 parametra kazne. Formulacija mekog margina koju su uveli Cortes i Vapnik 1995. godine sama je po sebi regulirani model, a kasniji L1-SVM varijante dodatno potiču rijetkost značajki, omogućujući automatski odabir varijabli u visokodimenzionalnim postavkama.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/hr/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.
- Regresija LassoStrojno učenje↔ compare
- Linearna diskriminacijska analiza (LDA)Strojno učenje↔ compare
- Regresija regulariziranih pravacaStrojno učenje↔ compare
- Regularizirana logistička regresijaStrojno učenje↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →