Geregulariseerde Support Vector Machine
Geregulariseerde Support Vector Machine breidt de klassieke SVM uit door expliciet de afweging tussen marge-maximalisatie en trainingsfout te controleren via een L1- of L2-penaltyparameter. De soft-margin formulering, geïntroduceerd door Cortes en Vapnik in 1995, is zelf al een geregulariseerd model, en latere L1-SVM varianten bevorderen bovendien kenmerk-sparseheid, wat automatische variabele selectie in hoog-dimensionale instellingen mogelijk maakt.
Lees de volledige methode
Log in met een gratis account om dit onderdeel te lezen.
Method map
The neighbourhood of related methods — select a node to explore.
Bronnen
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/nl/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-regressieMachine learning↔ compare
- Lineaire Discriminantanalyse (LDA)Machine learning↔ compare
- Geregulariseerde Lineaire RegressieMachine learning↔ compare
- Geregulariseerde logistische regressieMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →