เปรียบเทียบวิธี

	Regularized Support Vector Machine	การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)
สาขาวิชา	การเรียนรู้ของเครื่อง	การเรียนรู้ของเครื่อง
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	1995–2004	1970–2005
ผู้ริเริ่ม	Cortes, C. & Vapnik, V. (soft-margin SVM); Zhu et al. (L1-SVM)	Hoerl & Kennard (Ridge, 1970); Tibshirani (Lasso, 1996); Zou & Hastie (Elastic Net, 2005)
ประเภท	Regularized discriminative classifier / regressor	Penalized linear model
แหล่งต้นตำรับ	Cortes, C. & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297.	Tibshirani, R. (1996). Regression shrinkage and selection via the lasso. Journal of the Royal Statistical Society: Series B, 58(1), 267–288.
ชื่อเรียกอื่น	Regularized SVM, L1-SVM, L2-SVM, penalized SVM	Ridge regression, Lasso regression, Elastic Net regression, penalized regression
ที่เกี่ยวข้อง	4	4
สรุป	Regularized Support Vector Machine extends the classic SVM by explicitly controlling the trade-off between margin maximization and training error through an L1 or L2 penalty parameter. The soft-margin formulation introduced by Cortes and Vapnik in 1995 is itself a regularized model, and later L1-SVM variants additionally promote feature sparsity, enabling automatic variable selection in high-dimensional settings.	Regularized linear regression adds a penalty term to the ordinary least-squares objective, shrinking or zeroing out coefficients to reduce overfitting and handle multicollinearity. The three main variants — Ridge (L2 penalty), Lasso (L1 penalty), and Elastic Net (combined L1+L2) — make linear regression usable even when features outnumber observations or predictors are highly correlated.