Online Support Vector Machine
Online SVM anpassar den klassiska support vector machine till strömmande eller sekventiellt ankommande data genom att uppdatera beslutgränsen ett exempel i taget snarare än att lösa ett globalt kvadratiskt program. Algoritmer som Pegasos och LASVM gör detta hanterbart i stor skala, samtidigt som de bevarar SVM:s princip om marginalmaximering med sub-linjär tid per uppdatering.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- Shalev-Shwartz, S., Singer, Y., Srebro, N., & Cotter, A. (2011). Pegasos: Primal estimated sub-gradient solver for SVM. Mathematical Programming, 127(1), 3–30. DOI: 10.1007/s10107-010-0420-4 ↗
- Bordes, A., Ertekin, S., Weston, J., & Bottou, L. (2005). Fast kernel classifiers with online and active learning. Journal of Machine Learning Research, 6, 1579–1619. link ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Online Support Vector Machine (Incremental SVM for Streaming Data). ScholarGate. https://scholargate.app/sv/machine-learning/online-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.
- Online Gradient BoostingMaskininlärning↔ compare
- Online LearningMaskininlärning↔ compare
- Online logistisk regressionMaskininlärning↔ compare
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →