Mesin Vektor Sokongan Teguh
SVM Teguh (Robust SVM) memperluas mesin vektor sokongan standard untuk menahan pengaruh pencilan (outlier) dan titik yang salah label. Dengan menggantikan fungsi kerugian engsel (hinge loss) dengan fungsi kerugian terhad atau bukan cembung — atau dengan menggabungkan kekangan pengoptimuman teguh — ia mempelajari sempadan keputusan yang jauh kurang herot akibat contoh latihan yang rosak, menjadikannya sesuai untuk set data dunia nyata yang bising di mana SVM standard akan merosot dengan ketara.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Xu, H., Caramanis, C., & Mannor, S. (2009). Robustness and regularization of support vector machines. Journal of Machine Learning Research, 10, 1485–1510. link ↗
- Collobert, R., Sinz, F., Weston, J., & Bottou, L. (2006). Trading convexity for scalability. Proceedings of the 23rd International Conference on Machine Learning (ICML), 201–208. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/ms/machine-learning/robust-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.
- SVM Kelas TunggalPembelajaran Mesin↔ compare
- Support Vector Machine TeragulasiPembelajaran Mesin↔ compare
- Peningkatan Kecerunan TeguhPembelajaran Mesin↔ compare
- Regresi Linear RobasPembelajaran Mesin↔ compare
- Robust Random ForestPembelajaran Mesin↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →