So sánh phương pháp
Xem các phương pháp đã chọn cạnh nhau; những hàng khác biệt được làm nổi bật.
| Máy Vectơ Hỗ trợ (Phân loại)× | Hồi quy véc-tơ hỗ trợ× | |
|---|---|---|
| Lĩnh vực | Học máy | Học máy |
| Họ | Machine learning | Machine learning |
| Năm ra đời≠ | 1995 | 2004 |
| Người khởi xướng≠ | Cortes, C. & Vapnik, V. | Smola, A.J. & Schölkopf, B. |
| Loại≠ | Maximum-margin classifier (kernel method) | Kernel-based supervised model (epsilon-insensitive regression) |
| Công trình gốc≠ | Cortes, C. & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20, 273–297. DOI ↗ | Smola, A.J. & Schölkopf, B. (2004). A Tutorial on Support Vector Regression. Statistics and Computing, 14, 199–222. DOI ↗ |
| Tên gọi khác | Destek Vektör Makinesi (SVM — Sınıflandırma), support-vector network, SVM classifier, maximum-margin classifier | Destek Vektör Regresyonu (SVR), SVR, epsilon-SVR, support vector machine for regression |
| Liên quan≠ | 5 | 4 |
| Tóm tắt≠ | The Support Vector Machine, introduced by Corinna Cortes and Vladimir Vapnik in 1995, is a classifier that finds the optimal separating hyperplane between classes in a high-dimensional space. It chooses the boundary that leaves the widest possible margin to the nearest training points, which makes its decisions robust on new data. | Support Vector Regression (SVR), described in Smola and Schölkopf's 2004 tutorial, predicts a continuous outcome by fitting a function that stays within an epsilon-wide tube around the data while incurring as little error as possible. It extends the support vector machine idea from classification to regression, using a kernel to capture nonlinear relationships. |
| ScholarGateBộ dữ liệu ↗ |
|
|