Support Vector Regression
Support Vector Regression (SVR), zoals beschreven in de tutorial van Smola en Schölkopf uit 2004, voorspelt een continue uitkomst door een functie te fitten die binnen een epsilon-brede band rond de data blijft, terwijl de fout zo klein mogelijk wordt gehouden. Het breidt het support vector machine-idee van classificatie uit naar regressie, gebruikmakend van een kernel om niet-lineaire verbanden vast te leggen.
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
- 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 ↗
Deze pagina citeren
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/nl/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-Nearest NeighborsMachine learning↔ compare
- Lasso-regressieMachine learning↔ compare
- Ridge-regressieMachine learning↔ compare
- Support Vector Machine (Classificatie)Machine learning↔ compare
Geciteerd door
Een fout op deze pagina gezien? Meld het of stel een correctie voor →