Wytrzymały klasyfikator maszyny wektorów nośnych
Wytrzymały SVM rozszerza standardową maszynę wektorów nośnych, aby oprzeć się wpływowi wartości odstających i błędnie oznakowanych punktów. Poprzez zastąpienie funkcji straty typu zawiasowego (hinge loss) ograniczoną lub niewypukłą funkcją straty — lub poprzez włączenie ograniczeń optymalizacji wytrzymałej — uczy się granicy decyzyjnej, która jest znacznie mniej zniekształcona przez uszkodzone przykłady treningowe, co czyni ją odpowiednią dla zaszumionych zbiorów danych rzeczywistych, gdzie standardowy SVM uległby znacznemu pogorszeniu.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/pl/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 SVMUczenie maszynowe↔ compare
- Regularyzowana Maszyna Wektorów NośnychUczenie maszynowe↔ compare
- Robust Gradient BoostingUczenie maszynowe↔ compare
- Regresja liniowa odpornaUczenie maszynowe↔ compare
- Robust Random ForestUczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →