Atbalsta vektoru regresija
Atbalsta vektoru regresija (SVR), kas aprakstīta Smola un Schölkopf 2004. gada metodiskajā darbā, paredz nepārtrauktu iznākumu, pielāgojot funkciju, kas, radot pēc iespējas mazāku kļūdu, paliek noteiktā epsilona platumā ap datiem. Tā paplašina atbalsta vektoru mašīnas ideju no klasifikācijas uz regresiju, izmantojot kodolu (kernel) nelineāru sakarību uztveršanai.
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
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/lv/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-tuvākie kaimiņiMašīnmācīšanās↔ compare
- LASSO regresijaMašīnmācīšanās↔ compare
- Regulētā lineārā regresija (Ridge Regression)Mašīnmācīšanās↔ compare
- Atbalsta vektoru mašīna (klasifikācija)Mašīnmācīšanās↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →