Regresja wektorów nośnych
Regresja wektorów nośnych (SVR), opisana w samouczku Smoli i Schölkopfa z 2004 roku, przewiduje ciągły wynik poprzez dopasowanie funkcji, która mieści się w rurze o szerokości epsilon wokół danych, generując jednocześnie jak najmniejszy błąd. Rozszerza ona ideę maszyny wektorów nośnych z klasyfikacji na regresję, wykorzystując jądro do uchwycenia nieliniowych zależności.
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
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/pl/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-Najbliższych SąsiadówUczenie maszynowe↔ compare
- Regresja LassoUczenie maszynowe↔ compare
- Regularyzacja grzbietowa (Ridge Regression)Uczenie maszynowe↔ compare
- Maszyna wektorów nośnych (klasyfikacja)Uczenie maszynowe↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →