Regulariserad stödvektormaskin
Regulariserad stödvektormaskin (SVM) utökar den klassiska SVM genom att explicit kontrollera avvägningen mellan marginalmaximering och träningsfel genom en L1- eller L2-straffparameter. Mjukmarginalformuleringen som introducerades av Cortes och Vapnik 1995 är i sig en regulariserad modell, och senare L1-SVM-varianter främjar dessutom sparsamhet i prediktorer, vilket möjliggör automatisk variabelval i högdimensionella miljöer.
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
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/sv/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.
- Lasso-regressionMaskininlärning↔ compare
- Linjär diskriminantanalys (LDA)Maskininlärning↔ compare
- Regulariserad linjär regressionMaskininlärning↔ compare
- Regulariserad logistisk regressionMaskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →