Szabályozott Támogatásvektoros Gépek
A szabályozott támogatásvektoros gép (Regularized Support Vector Machine) a klasszikus SVM-et úgy bővíti, hogy explicit módon szabályozza a peremmaximalizálás és a tanítási hiba közötti kompromisszumot egy L1 vagy L2 büntetési paraméteren keresztül. A Cortes és Vapnik által 1995-ben bevezetett lágy perem (soft-margin) megfogalmazás maga is egy szabályozott modell, és a későbbi L1-SVM változatok emellett elősegítik a jellemzők ritkaságát (feature sparsity), lehetővé téve az automatikus változóválasztást magas dimenziós környezetben.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/hu/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.
- Lasso-regresszióGépi tanulás↔ compare
- Lineáris diszkriminanciaanalízis (LDA)Gépi tanulás↔ compare
- Regularizált lineáris regresszióGépi tanulás↔ compare
- Regularizált logisztikus regresszióGépi tanulás↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →