tukivektorimenetelmät

Tukivektorimenetelmät, englanniksi Support Vector Machines (SVM), ovat valvottuja koneoppimisalgoritmeja, joita käytetään sekä luokitteluun että regressioanalyysiin. Menetelmän perusidea on löytää optimaalinen erottava hyperplani, joka maksimoi luokkien välin.

Luokittelutehtävissä tukivektorikone pyrkii löytämään hyperplaanin, joka jakaa datapisteet mahdollisimman selkeästi eri luokkiin. Tämä hyperplani määritellään tukivektorien avulla, jotka ovat lähimpänä erottavaa hyperplaania. Tukivektorit ovat siis ne datapisteet, jotka vaikuttavat suoraan hyperplaanin sijaintiin ja marginaalin kokoon.

Kun data ei ole lineaarisesti erotettavissa, tukivektorimenetelmät käyttävät ytimien (kernels) apua. Ydin-temppu mahdollistaa datan muuntamisen korkeampiulotteiseen avaruuteen, jossa se saattaa olla lineaarisesti erotettavissa. Yleisiä ytimiä ovat lineaarinen ydin, polynominen ydin ja Gaussin säteittäisatomiydin (RBF).

Tukivektorimenetelmät ovat tunnettuja tehokkuudestaan suurissa ja korkeaulotteisissa datoissa. Ne ovat erityisen hyödyllisiä, kun luokkien välinen marginaali on selkeä. Menetelmien haasteita voivat olla laskennallinen vaativuus suurille dataseteille ja sopivan ytimen sekä sen parametrien valinta. Tukivektorikoneita käytetään laajasti esimerkiksi kuvantunnistuksessa, tekstinluokittelussa ja bioinformatiikassa.