Регуляризованная машина опорных векторов
Регуляризованная машина опорных векторов (SVM) расширяет классическую SVM путем явного контроля компромисса между максимизацией зазора и ошибкой обучения посредством параметра штрафа L1 или L2. Формулировка мягкого зазора, представленная Cortes и Vapnik в 1995 году, сама по себе является регуляризованной моделью, а более поздние варианты L1-SVM дополнительно способствуют разреженности признаков, обеспечивая автоматический выбор переменных в высокоразмерных условиях.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Источники
- 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 ↗
Как цитировать эту страницу
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/ru/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.
- Регрессия ЛассоМашинное обучение↔ compare
- Линейный дискриминантный анализ (LDA)Машинное обучение↔ compare
- Регуляризованная линейная регрессияМашинное обучение↔ compare
- Регуляризованная логистическая регрессияМашинное обучение↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →