ความแตกต่างระหว่าง ep-SVR และ nu-SVR (และอย่างน้อยกำลังสอง SVR)

ฉันพยายามค้นหา SVR ที่เหมาะสมกับข้อมูลประเภทนั้น

ฉันรู้ SVR 4 ประเภท:

• พยัญชนะตัวที่ 5 ของกรีก
• nu
• กำลังสองน้อยที่สุดและ
• เชิงเส้น

ฉันเข้าใจว่า SVR แบบเส้นตรงมากขึ้นหรือน้อยลงเช่น Lasso กับ L1 Reg แต่ความแตกต่างระหว่าง 3 เทคนิคที่เหลือคืออะไร?

ใน -SVR พารามิเตอร์จะใช้เพื่อกำหนดสัดส่วนของจำนวนเวกเตอร์สนับสนุนที่คุณต้องการเก็บไว้ในโซลูชันของคุณตามจำนวนตัวอย่างทั้งหมดในชุดข้อมูล ใน -SVR พารามิเตอร์ถูกนำมาใช้ในการกำหนดปัญหาการปรับให้เหมาะสมและจะถูกประเมินโดยอัตโนมัติ (อย่างเหมาะสมที่สุด) สำหรับคุณ$\nu$$\nu$$\nu$$\epsilon$

อย่างไรก็ตามใน -SVR คุณไม่สามารถควบคุมได้ว่าเวกเตอร์ข้อมูลจำนวนเท่าใดจากชุดข้อมูลจะสนับสนุนเวกเตอร์มันอาจมีค่าเพียงเล็กน้อย อย่างไรก็ตามคุณจะสามารถควบคุมจำนวนข้อผิดพลาดทั้งหมดที่คุณจะอนุญาตให้โมเดลของคุณมีและสิ่งใดก็ตามที่เกินระบุจะถูกลงโทษตามสัดส่วนซึ่งเป็นพารามิเตอร์การทำให้เป็นมาตรฐาน$\epsilon$$\epsilon$$C$

ฉันเลือกระหว่างสองสิ่งนี้ตามที่ฉันต้องการ ถ้าฉันอยากแก้ปัญหาเล็กน้อย (เวกเตอร์สนับสนุนน้อยกว่า) ฉันเลือก -SVR และหวังว่าจะได้แบบจำลองที่เหมาะสม แต่ถ้าฉันต้องการควบคุมจำนวนข้อผิดพลาดในแบบจำลองของฉันและไปเพื่อประสิทธิภาพที่ดีที่สุดฉันเลือก -SVR และหวังว่าแบบจำลองนั้นไม่ซับซ้อนเกินไป (เวกเตอร์สนับสนุนจำนวนมาก)$\nu$$\epsilon$

ความแตกต่างระหว่าง -SVR และ -SVR คือปัญหาการฝึกอบรมที่ถูกกำหนดไว้ล่วงหน้า ทั้งสองชนิดใช้การสูญเสียบานพับในฟังก์ชันต้นทุน พารามิเตอร์ใน -SVM สามารถใช้ในการควบคุมปริมาณของเวกเตอร์การสนับสนุนในรูปแบบที่เกิดขึ้น รับพารามิเตอร์ที่เหมาะสมปัญหาเดียวกันที่แน่นอนจะแก้ไข ¹$\epsilon$$\nu$$\nu$$\nu$

กำลังสองน้อยที่สุด SVR แตกต่างจากอีกสองโดยใช้ส่วนที่เหลือกำลังสองในฟังก์ชันต้นทุนแทนการสูญเสียบานพับ

¹ : C.-C ช้างและ C.-J หลิน การฝึกอบรมสนับสนุนเวกเตอร์ถดถอย: $\nu$ทฤษฎีและขั้นตอนวิธี การคำนวณทางประสาท, 14 (8): 1959-1977, 2002

ฉันชอบคำตอบของทั้ง Pablo และ Marc อีกหนึ่งจุด:

ในบทความที่อ้างถึงโดย Marc มีการเขียน (ส่วนที่ 4)

$\nu$$\epsilon$$\epsilon$$\epsilon$$y$

[ ... ]

$\epsilon$$y$$\epsilon$$[-1,+1]$$\epsilon$$[0, 1]$$\nu$$\epsilon$

$\epsilon$$\epsilon -$$\nu -$

คุณคิดอย่างไร?