Regulovaný Support Vector Machine
Regulovaný Support Vector Machine (SVM) rozširuje klasický SVM explicitným riadením kompromisu medzi maximalizáciou okrajov a chybou učenia pomocou regularizačného parametra L1 alebo L2. Formulácia mäkkého okraja (soft-margin), ktorú predstavili Cortes a Vapnik v roku 1995, je sama osebe regularizovaný model, pričom neskoršie varianty L1-SVM navyše podporujú riedkosť (sparsity) príznakov, čo umožňuje automatický výber premenných vo vysoko-dimenzionálnych prostrediach.
Prečítať celú metódu
Ak si chcete prečítať túto sekciu, prihláste sa s bezplatným účtom.
Method map
The neighbourhood of related methods — select a node to explore.
Zdroje
- 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 ↗
Ako citovať túto stránku
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/sk/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.
- Regresia LassoStrojové učenie↔ compare
- Lineárna diskriminačná analýza (LDA)Strojové učenie↔ compare
- Regularizovaná lineárna regresiaStrojové učenie↔ compare
- Regularizovaná logistická regresiaStrojové učenie↔ compare
Odkazujú sem
Našli ste na tejto stránke chybu? Nahláste ju alebo navrhnite opravu →