Регуларизована подржавајућа машина (SVM)
Регуларизована подржавајућа машина (SVM) проширује класични SVM експлицитно контролишући компромис између максимизације маргине и грешке при обуци кроз L1 или L2 параметар казне. Формулација меке маргине коју су увели Кортес и Вапник 1995. године сама по себи представља регуларизовани модел, а касније варијанте L1-SVM додатно промовишу спарситет карактеристика, омогућавајући аутоматски избор варијабли у поставкама високе димензионалности.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- 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 ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/sr/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.
- Regresija LasoMašinsko učenje↔ compare
- Linearna diskriminaciona analiza (LDA)Mašinsko učenje↔ compare
- Regularizovana linearna regresijaMašinsko učenje↔ compare
- Regulizovana logistička regresijaMašinsko učenje↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →