การสนับสนุนแบบจำลองที่แข็งแกร่ง
Robust SVM ขยายการสนับสนุนแบบจำลองมาตรฐานเพื่อต้านทานอิทธิพลของค่าผิดปกติและจุดที่ติดป้ายผิด โดยการแทนที่ฟังก์ชันการสูญเสียแบบบานพับด้วยฟังก์ชันการสูญเสียแบบมีขอบเขตหรือไม่ใช่แบบนูน — หรือโดยการรวมข้อจำกัดการเพิ่มประสิทธิภาพที่แข็งแกร่ง — มันจะเรียนรู้ขอบเขตการตัดสินใจที่บิดเบือนน้อยลงอย่างมากจากตัวอย่างการฝึกอบรมที่เสียหาย ทำให้เหมาะสำหรับชุดข้อมูลจริงที่มีสัญญาณรบกวนซึ่ง SVM มาตรฐานจะเสื่อมถอยลงอย่างมาก
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Xu, H., Caramanis, C., & Mannor, S. (2009). Robustness and regularization of support vector machines. Journal of Machine Learning Research, 10, 1485–1510. link ↗
- Collobert, R., Sinz, F., Weston, J., & Bottou, L. (2006). Trading convexity for scalability. Proceedings of the 23rd International Conference on Machine Learning (ICML), 201–208. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 3). Robust Support Vector Machine (Outlier-Resistant SVM). ScholarGate. https://scholargate.app/th/machine-learning/robust-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.
- One-class SVMการเรียนรู้ของเครื่อง↔ compare
- Regularized Support Vector Machineการเรียนรู้ของเครื่อง↔ compare
- การเพิ่มกำลังการไล่ระดับสีที่ทนทาน (Robust Gradient Boosting)การเรียนรู้ของเครื่อง↔ compare
- การถดถอยเชิงเส้นแบบทนทานการเรียนรู้ของเครื่อง↔ compare
- Random Forest ที่ทนทานการเรียนรู้ของเครื่อง↔ compare