Regularizēta atbalsta vektoru mašīna
Regularizēta atbalsta vektoru mašīna paplašina klasisko SVM, tieši kontrolējot kompromisu starp robežas maksimizēšanu un apmācības kļūdu, izmantojot L1 vai L2 soda parametru. Mīkstās robežas formulējums, ko 1995. gadā ieviesa Kortess un Vapniks, pats par sevi ir regularizēts modelis, un vēlāk L1-SVM varianti papildus veicina iezīmju retināšanu, nodrošinot automātisku mainīgo atlasi augstas dimensijas apstākļos.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/lv/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.
- LASSO regresijaMašīnmācīšanās↔ compare
- Lineārā diskriminanta analīze (LDA)Mašīnmācīšanās↔ compare
- Regulārā lineārā regresijaMašīnmācīšanās↔ compare
- Regularizētā loģistikā regresijaMašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →