Machine à vecteurs de support SVM est une méthode d'apprentissage supervisé qui utilise un hyperplan comme plan de décision pour séparer les exemples positifs et négatifs. Il traite les données dans le processus de classification et de régression.

Les machines à vecteurs de support construisent des hyperplans et des ensembles dans un espace de grande dimension ou de dimension infinie, puis effectuent des tâches de classification, de régression ou autres. Intuitivement, plus la limite de classification est éloignée du point de données d’entraînement le plus proche, mieux c’est, car cela peut réduire l’erreur de généralisation du classificateur.

SVM est un modèle de classification binaire, qui peut être défini comme un classificateur linéaire avec le plus grand intervalle dans l'espace des caractéristiques. La stratégie d’apprentissage consiste à maximiser l’intervalle, qui peut généralement être converti en un problème de programmation quadratique convexe pour la solution.

Applications des machines à vecteurs de support

• Classification du texte et de l'hypertexte
• Classification des images
• Reconnaissance de l'écriture manuscrite
• Classification des protéines en médecine

Mots apparentés : classification, régression, maximisation des marges