Support Vector Machine
Le Support Vector Machine est un algorithme de machine learning supervisé utilisé pour la classification et la régression. Il fonctionne en trouvant l'hyperplan qui sépare au mieux les différentes classes de données.
De quoi parle-t-on ?
Qu'est-ce qu'un Support Vector Machine ?
Le Support Vector Machine, ou SVM, est un algorithme de machine learning supervisé principalement utilisé pour les tâches de classification, bien qu'il puisse aussi être appliqué à la régression. L'idée principale derrière le SVM est de trouver un hyperplan dans un espace de dimension élevée qui sépare les différentes classes de manière optimale. Cet algorithme a été introduit dans les années 1960 par Vladimir Vapnik et Alexey Chervonenkis, mais il a gagné en popularité dans les années 1990 lorsque l'augmentation de la puissance de calcul a permis sa mise en œuvre pratique.
Le principe fondamental du SVM repose sur la maximisation de la marge, c'est-à-dire la distance entre l'hyperplan et les points de données les plus proches de chaque classe, appelés vecteurs de support. En maximisant cette marge, le SVM cherche à réduire le risque de mauvaise classification des nouveaux points de données.
Un des avantages significatifs du SVM est sa capacité à travailler efficacement dans des espaces très élevés en dimension, ce qui le rend particulièrement utile pour les problèmes où le nombre de dimensions dépasse largement le nombre de points de données. De plus, grâce à l'utilisation de noyaux (ou kernels), le SVM peut gérer des problèmes de classification non linéaires en transformant les données d'entrée dans un espace de dimension plus élevée où un hyperplan linéaire peut être trouvé.