Tiešsaistes atbalsta vektoru mašīna
Tiešsaistes SVM pielāgo klasisko atbalsta vektoru mašīnu (SVM) straumējošiem vai secīgi ienākošiem datiem, atjauninot lēmuma robežu pa vienam piemēram, nevis risinot globālu kvadrātisko programmu. Algoritmi, piemēram, Pegasos un LASVM, padara to apstrādājamu lielā mērogā, saglabājot SVM maksimālās robežas principu ar sublineāru laiku katram atjauninājumam.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Shalev-Shwartz, S., Singer, Y., Srebro, N., & Cotter, A. (2011). Pegasos: Primal estimated sub-gradient solver for SVM. Mathematical Programming, 127(1), 3–30. DOI: 10.1007/s10107-010-0420-4 ↗
- Bordes, A., Ertekin, S., Weston, J., & Bottou, L. (2005). Fast kernel classifiers with online and active learning. Journal of Machine Learning Research, 6, 1579–1619. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Online Support Vector Machine (Incremental SVM for Streaming Data). ScholarGate. https://scholargate.app/lv/machine-learning/online-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.
- Tiešsaistes gradientu pastiprināšanaMašīnmācīšanās↔ compare
- Tiešsaistes apguveMašīnmācīšanās↔ compare
- Tiešsaistes loģistiskā regresijaMašīnmācīšanās↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →