vektoritukimenetelmiä

Vektoritukimenetelmät, tai englanniksi Support Vector Machines (SVM), ovat valvottuja koneoppimisalgoritmeja, joita käytetään sekä luokittelu- että regressio-ongelmien ratkaisemiseen. Niiden perusidea on löytää optimaalinen hyper-taso, joka erottaa eri luokkiin kuuluvat datapisteet mahdollisimman selkeästi toisistaan. Tavoitteena on maksimoida marginaali, eli etäisyys hyper-tasosta lähimpiin datapisteisiin kummassakin luokassa.

Luokittelutehtävissä SVM pyrkii löytämään hyper-tason, jolla on suurin mahdollinen marginaali eri luokkien välillä. Tämä marginaalin maksimointi auttaa yleistämään mallia hyvin myös uuteen, ennestään näkemättömään dataan. Kun data ei ole lineaarisesti eroteltavissa, SVM hyödyntää "kernel-temppua". Tämä temppu mahdollistaa datan projisoimisen korkeampiulotteiseen avaruuteen, jossa se saattaa tulla lineaarisesti eroteltavaksi. Yleisiä kernel-funktioita ovat lineaarinen, polynomi- ja RBF (Radial Basis Function) -kernel.

Regressiotehtävissä SVM:n tavoitteena on löytää hyper-taso, joka minimoi virheen ennustettujen ja todellisten arvojen välillä, samalla kun se pitää ennustetut arvot tietyllä etäisyydellä (epsilon) todellisista arvoista. Tämä lähestymistapa tunnetaan nimellä Support Vector Regression (SVR). Vektoritukimenetelmät ovat tehokkaita erityisesti korkeaulotteisessa datassa ja niitä käytetään laajasti esimerkiksi kuvantunnistuksessa, tekstin luokittelussa ja bioinformatiikassa.