Machine learningMachine learning
正則化サポートベクターマシン
正則化サポートベクターマシンは、L1またはL2ペナルティパラメータを用いて、マージン最大化と訓練誤差の間のトレードオフを明示的に制御することで、古典的なSVMを拡張したものである。CortesとVapnikが1995年に導入したソフトマージン定式化自体が正則化モデルであり、後続のL1-SVMバリアントは特徴量のスパース性を促進し、高次元設定での自動変数選択を可能にする。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
Method map
The neighbourhood of related methods — select a node to explore.
出典
- 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 ↗
このページの引用方法
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/ja/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.
Compare side by side →