Choosing nu in support vector regression with different noise models: theory 
and experiments

Chalimourda, A; Schölkopf, B; Smola, AJ

doi:10.1109/IJCNN.2000.861457

Datensatz

DATENSATZ AKTIONENEXPORT

Zur Ablage hinzufügen

Lokale TagsFreigabegeschichteDetailsÜbersicht

Freigegeben

Konferenzbeitrag

Choosing nu in support vector regression with different noise models: theory and experiments

MPG-Autoren

Es sind keine MPG-Autoren in der Publikation vorhanden

Externe Ressourcen

https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=861457
(Verlagsversion)

Volltexte (beschränkter Zugriff)

Für Ihren IP-Bereich sind aktuell keine Volltexte freigegeben.

Volltexte (frei zugänglich)

Es sind keine frei zugänglichen Volltexte in PuRe verfügbar

Ergänzendes Material (frei zugänglich)

Es sind keine frei zugänglichen Ergänzenden Materialien verfügbar

Zitation

Chalimourda, A., Schölkopf, B., & Smola, A. (2000). Choosing nu in support vector regression with different noise models: theory and experiments. In IEEE-INNS-ENNS International Joint Conference on Neural Networks: IJCNN 2000: Neural Computing: New Challenges and Perspectives for the New Millennium (pp. 199-204). Piscataway, NJ, USA: IEEE.

Zitierlink: https://hdl.handle.net/11858/00-001M-0000-0013-E5C3-3

Zusammenfassung

In support vector (SV) regression, a parameter /spl nu/ controls the number of support vectors and the number of points that come to lie outside of the so-called /spl epsi/-insensitive tube. For various noise models and SV parameter settings, we experimentally determine the values of /spl nu/ that lead to the lowest generalization error. We find good agreement with the values that had previously been predicted by a theoretical argument based on the asymptotic efficiency of a simplified model of SV regression.