Regularyzowana Maszyna Wektorów Nośnych
Regularyzowana Maszyna Wektorów Nośnych (RSVM) rozszerza klasyczną SVM poprzez jawne kontrolowanie kompromisu między maksymalizacją marginesu a błędem uczenia za pomocą parametru kary L1 lub L2. Formuła miękkiego marginesu wprowadzona przez Cortesa i Vapnika w 1995 roku sama w sobie jest modelem regularyzowanym, a późniejsze warianty L1-SVM dodatkowo promują rzadkość cech, umożliwiając automatyczny wybór zmiennych w ustawieniach wysokowymiarowych.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/pl/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.
- Regresja LassoUczenie maszynowe↔ compare
- Analiza dyskryminacyjna liniowa (LDA)Uczenie maszynowe↔ compare
- Regularyzowana regresja liniowaUczenie maszynowe↔ compare
- Regularyzowana regresja logistycznaUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →