Support Vector Machine SVM ist eine überwachte Lernmethode, die eine Hyperebene als Entscheidungsebene verwendet, um positive und negative Beispiele zu trennen. Es verarbeitet Daten im Rahmen von Klassifizierungs- und Regressionsprozessen.

Support Vector Machines konstruieren Hyperebenen und Mengen im hochdimensionalen oder unendlichdimensionalen Raum und führen dann Klassifizierungs-, Regressions- oder andere Aufgaben durch. Intuitiv gilt: Je weiter die Klassifizierungsgrenze vom nächsten Trainingsdatenpunkt entfernt ist, desto besser, da dadurch der Generalisierungsfehler des Klassifikators verringert werden kann.

SVM ist ein binäres Klassifizierungsmodell, das als linearer Klassifikator mit dem größten Intervall im Merkmalsraum definiert werden kann. Die Lernstrategie besteht darin, das Intervall zu maximieren, das im Allgemeinen zur Lösung in ein konvexes quadratisches Programmierproblem umgewandelt werden kann.

Support Vector Machine-Anwendungen

• Klassifizierung von Text und Hypertext
• Bildklassifizierung
• Handschrifterkennung
• Proteinklassifizierung in der Medizin

Verwandte Wörter: Klassifizierung, Regression, Margenmaximierung