Suport Vector Machines (SVMs) sunt modele de învățare supravegheate utilizate pentru sarcini de clasificare și regresie. Acestea se bazează pe principii matematice care le permit să găsească limite optime de decizie între diferite clase de date. Înțelegerea acestor principii ajută la proiectarea de modele SVM eficiente pentru diferite aplicații.

Concepte matematice de bază

SVM-urile au ca scop identificarea hiperplanului care maximizeaza marja dintre diferite clase. Marginea este distanta dintre hiperplan si cele mai apropiate puncte de date din fiecare clasa, cunoscute sub numele de vectori de suport. Problema optimizarii implica minimizarea unei functii quadratice convexe, sub rezerva constrangerilor ca punctele de date sunt corect clasificate sau intr-o anumita marja.

Funcții Kernel și date neliniare

Funcţiile Kernel transformă datele în spaţii de dimensiuni mai înalte, permiţând SVM-urilor să se ocupe de relaţiile neliniare. Nucleele comune includ funcţia liniară, polinomială şi radială de bază (RFB). Aceste funcţii permit SVM-ului să găsească limite de decizie neliniare fără a calcula în mod explicit transformarea.

Principii de proiectare

Designul SVM eficient presupune selectarea funcţiilor adecvate de nucleu, reglarea hiperparametrelor, cum ar fi parametrul de regularizare şi parametrii nucleului, şi scalarea datelor pentru îmbunătăţirea performanţei. Alegerea nucleului şi a parametrilor depinde de distribuţia datelor şi de problema specifică.

Cazuri de utilizare

  • Clasificare imagine
  • Categorizare text
  • Bioinformatică, cum ar fi clasificarea genetică
  • Previziuni financiare