Support Vector Machine Robusta
La SVM Robusta estende la Support Vector Machine standard per resistere all'influenza di outlier e punti etichettati erroneamente. Sostituendo la funzione di perdita "hinge" con una funzione di perdita limitata o non convessa — o incorporando vincoli di ottimizzazione robusta — apprende un confine decisionale molto meno distorto da esempi di training corrotti, rendendola adatta per dataset rumorosi del mondo reale dove la SVM standard degraderebbe significativamente.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/it/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.
- One-Class SVMApprendimento automatico↔ compare
- Support Vector Machine RegolarizzatoApprendimento automatico↔ compare
- Gradient Boosting RobustoApprendimento automatico↔ compare
- Regressione Lineare RobustaApprendimento automatico↔ compare
- Random Forest RobustoApprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →