第23课：SVR——一种“宽容”的回归模型

时间 2021-01-21

原文原文链接

严格的线性回归之前我们讲过线性回归：在向量空间里用线性函数去拟合样本。该模型以所有样本实际位置到该线性函数的综合距离为损失，通过最小化损失来求取线性函数的参数。参见下图：对于线性回归而言，一个样本只要不是正好落在最终作为模型的线性函数上，就要被计算损失。如此严格，真的有利于得出可扩展性良好的模型吗？宽容的支持向量回归（SVR）今天我们来介绍一种“宽容的”回归模型：支持向量回归（Supp

>>阅读原文<<

1. 机器学习入门（十八）：一种“宽容”的回归模型
2. 回归——支持向量机回归(SVR)
3. 七种回归模型
4. 支持向量回归-SVR
5. 【转】支持向量机回归模型SVR
6. 第一章回归模型分析
7. 10-23第二节课的内容
8. 6.5支持向量回归SVR
9. [机器学习]回归--Support Vector Regression(SVR)
10. 23种设计模式归纳(二)——结构型模式
更多相关文章...
• ASP.NET MVC - 模型 - ASP.NET 教程
• 第一个MyBatis程序 - MyBatis教程
• 委托模式
• Docker容器实战(七) - 容器眼光下的文件系统