Support Vector Regression Machines
Support Vector Regression Machines
复制标题
DOI：
--
复制
发表时间：
1996-12
期刊：
影响因子：
--
通讯作者：
H. Drucker;C. Burges;L. Kaufman;Alex Smola;V. Vapnik
中科院分区：
文献类型：
--
作者：
H. Drucker;C. Burges;L. Kaufman;Alex Smola;V. Vapnik
引入了一种基于 Vapnik 支持向量概念的新回归技术。我们将支持向量回归（SVR）与基于回归树和在特征空间中进行的岭回归的委员会回归技术（bagging）进行比较。基于这些实验，预计 SVR 在高维空间中具有优势，因为 SVR 优化不依赖于输入空间的维数。
A new regression technique based on Vapnik's concept of support vectors is introduced. We compare support vector regression (SVR) with a committee regression technique (bagging) based on regression trees and ridge regression done in feature space. On the basis of these experiments, it is expected that SVR will have advantages in high dimensionality space because SVR optimization does not depend on the dimensionality of the input space.