Regressione con Vettori di Supporto
La Regressione con Vettori di Supporto (Support Vector Regression, SVR), descritta nel tutorial di Smola e Schölkopf del 2004, predice un esito continuo adattando una funzione che rimanga entro un tubo di ampiezza epsilon attorno ai dati, minimizzando al contempo l'errore. Estende l'idea delle macchine a vettori di supporto dalla classificazione alla regressione, utilizzando un kernel per catturare relazioni non lineari.
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
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/it/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.
- K-Nearest NeighborsApprendimento automatico↔ compare
- Regressione LassoApprendimento automatico↔ compare
- Regressione RidgeApprendimento automatico↔ compare
- Support Vector Machine (Classificazione)Apprendimento automatico↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →