Support Vector Regression
Support Vector Regression (SVR), beskriven i Smola och Schölkopfs handledning från 2004, predikterar ett kontinuerligt utfall genom att anpassa en funktion som håller sig inom ett epsilon-brett rör runt datan samtidigt som den åsamkar så lite fel som möjligt. Den utvidgar idén med support vector machine från klassificering till regression, och använder en kärna för att fånga icke-linjära samband.
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
- Smola, A.J. & Schölkopf, B. (2004). A Tutorial on Support Vector Regression. Statistics and Computing, 14, 199–222. DOI: 10.1023/B:STCO.0000035301.49549.88 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 1). Support Vector Regression (SVR). ScholarGate. https://scholargate.app/sv/machine-learning/svm-regression
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.
- K-Närmaste GrannarMaskininlärning↔ compare
- Lasso-regressionMaskininlärning↔ compare
- Ridge RegressionMaskininlärning↔ compare
- Support Vector Machine (Klassificering)Maskininlärning↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →