Regularized Support Vector Machine
Regularized Support Vector Machine เป็นการขยายแนวคิดของ SVM แบบดั้งเดิม โดยควบคุมความสมดุลระหว่างการเพิ่มระยะขอบ (margin maximization) และข้อผิดพลาดในการฝึกฝน (training error) อย่างชัดเจนผ่านพารามิเตอร์การปรับโทษแบบ L1 หรือ L2 โดยพื้นฐานแล้ว รูปแบบ soft-margin ที่นำเสนอโดย Cortes และ Vapnik ในปี 1995 ก็เป็นแบบจำลองที่มีการปรับให้เป็นระเบียบ (regularized model) อยู่แล้ว และต่อมาตัวแปร L1-SVM ยังส่งเสริมความเบาบางของฟีเจอร์ (feature sparsity) ซึ่งช่วยให้สามารถเลือกตัวแปรได้โดยอัตโนมัติในการตั้งค่าที่มีมิติสูง
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- 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 ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/th/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 Regressionการเรียนรู้ของเครื่อง↔ compare
- Linear Discriminant Analysis (LDA)การเรียนรู้ของเครื่อง↔ compare
- การถดถอยเชิงเส้นแบบปรับค่า (Regularized Linear Regression)การเรียนรู้ของเครื่อง↔ compare
- Regularized Logistic Regressionการเรียนรู้ของเครื่อง↔ compare