Robuuste Support Vector Machine
Robuuste SVM breidt de standaard support vector machine uit om de invloed van uitschieters en verkeerd gelabelde punten te weerstaan. Door de scharnierverliesfunctie (hinge loss) te vervangen door een begrensde of niet-convexe verliesfunctie — of door robuuste optimalisatiebeperkingen op te nemen — leert het een beslissingsgrens die veel minder vervormd wordt door gecorrumpeerde trainingsvoorbeelden, waardoor het geschikt is voor ruisige datasets uit de echte wereld waar standaard SVM aanzienlijk zou degraderen.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/nl/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.
- One-Class SVMMachine learning↔ compare
- Geregulariseerde Support Vector MachineMachine learning↔ compare
- Robuuste Gradient BoostingMachine learning↔ compare
- Robuuste Lineaire RegressieMachine learning↔ compare
- Robuuste Random ForestMachine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →