Regressão por Vetores de Suporte
A Regressão por Vetores de Suporte (SVR), descrita no tutorial de Smola e Schölkopf de 2004, prevê um resultado contínuo ajustando uma função que permanece dentro de um tubo de largura epsilon em torno dos dados, enquanto incorre no mínimo erro possível. Ela estende a ideia da máquina de vetores de suporte da classificação para a regressão, usando um kernel para capturar relações não lineares.
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
- 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 ↗
Como citar esta página
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/pt/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 NeighborsAprendizado de máquina↔ compare
- Regressão LassoAprendizado de máquina↔ compare
- Regressão RidgeAprendizado de máquina↔ compare
- Máquina de Vetores de Suporte (Classificação)Aprendizado de máquina↔ compare
Referenciado por
Encontrou um problema nesta página? Relate ou sugira uma correção →