Máy học vector hỗ trợ có điều chuẩn (Regularized Support Vector Machine)
Máy học vector hỗ trợ có điều chuẩn mở rộng SVM cổ điển bằng cách kiểm soát rõ ràng sự đánh đổi giữa việc tối đa hóa lề và sai số huấn luyện thông qua tham số phạt L1 hoặc L2. Công thức lề mềm (soft-margin) do Cortes và Vapnik giới thiệu năm 1995 tự nó đã là một mô hình có điều chuẩn, và các biến thể L1-SVM sau này còn thúc đẩy tính thưa (sparsity) của đặc trưng, cho phép lựa chọn biến tự động trong các thiết lập có số chiều cao.
Đọc toàn bộ phương pháp
Đăng nhập bằng tài khoản miễn phí để đọc phần này.
Method map
The neighbourhood of related methods — select a node to explore.
Nguồn tài liệu
- 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 ↗
Cách trích dẫn trang này
ScholarGate. (2026, June 3). Regularized Support Vector Machine (L1/L2-penalized SVM). ScholarGate. https://scholargate.app/vi/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.
- Hồi quy LassoHọc máy↔ compare
- Phân tích biệt số tuyến tính (LDA)Học máy↔ compare
- Hồi quy tuyến tính chính quy hóaHọc máy↔ compare
- Hồi quy Logistic Chính quyHọc máy↔ compare
Được tham chiếu bởi
Phát hiện lỗi trên trang này? Báo cáo hoặc đề xuất chỉnh sửa →