Støttevektormaskiner

Støttevektormaskiner, ofte forkortet SVM, er en veiledet maskinlæringsalgoritme som brukes til både klassifisering og regresjon. Målet med en SVM er å finne det optimale hyperplanet som skiller forskjellige klasser av datapunkter i et flerdimensjonalt rom. Dette hyperplanet er valgt slik at det maksimerer marginen, avstanden til de nærmeste datapunktene fra hver klasse, kjent som støttevektorer.

I sin enkleste form, for lineært separerbare data, finner SVM et lineært skille. For data som ikke er lineært separerbare, bruker SVM en "kjerne-triks"-teknikk. Dette innebærer å kartlegge dataene til et høyere dimensjonalt rom der de kan være lineært separerbare. Vanlige kjernearkitekturer inkluderer den lineære kjernen, polynomkjernen og den radiale basisfunksjonskjernen (RBF). Valget av kjerne og dens parametere kan ha stor innvirkning på ytelsen til SVM.

SVM-er er kjent for sin effektivitet i høydimensjonale rom og når antall dimensjoner er større enn antall prøver. De er også relativt robuste mot overtilpasning, spesielt når de brukes med riktige regulariseringsparametere. Imidlertid kan treningsprosessen være tidkrevende for store datasett, og valg av passende kjerne og parametere krever ofte tuning. SVM-er har blitt brukt i en rekke applikasjoner, inkludert bildeklassifisering, tekstanalyse og bioinformatikk.