Support Vector Machine Regolarizzato
Il Support Vector Machine Regolarizzato estende l'SVM classico controllando esplicitamente il compromesso tra massimizzazione del margine e errore di addestramento attraverso un parametro di penalità L1 o L2. La formulazione a margine morbido introdotta da Cortes e Vapnik nel 1995 è essa stessa un modello regolarizzato, e le successive varianti L1-SVM promuovono ulteriormente la sparsità delle feature, abilitando la selezione automatica delle variabili in contesti ad alta dimensionalità.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/it/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.
- Regressione LassoApprendimento automatico↔ compare
- Analisi Discriminante Lineare (LDA)Apprendimento automatico↔ compare
- Regressione Lineare RegolarizzataApprendimento automatico↔ compare
- Regressione logistica regolarizzataApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →