Máquina de Vetores de Suporte Regularizada
A Máquina de Vetores de Suporte Regularizada estende a SVM clássica controlando explicitamente o trade-off entre a maximização da margem e o erro de treinamento por meio de um parâmetro de penalidade L1 ou L2. A formulação de margem suave introduzida por Cortes e Vapnik em 1995 é, por si só, um modelo regularizado, e variantes L1-SVM posteriores promovem adicionalmente a esparsidade de características, permitindo a seleção automática de variáveis em configurações de alta dimensionalidade.
Leia o método completo
Entre com uma conta gratuita para ler esta seção.
Method map
The neighbourhood of related methods — select a node to explore.
Fontes
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/pt/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.
- Regressão LassoAprendizado de máquina↔ compare
- Análise Discriminante Linear (LDA)Aprendizado de máquina↔ compare
- Regressão Linear RegularizadaAprendizado de máquina↔ compare
- Regressão Logística RegularizadaAprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →