
Un clasificador que separa clases mediante el margen más amplio posible.Una máquina de vectores de soporte (SVM) es un modelo de aprendizaje supervisado que encuentra el hiperplano que mejor separa los puntos de datos de diferentes clases. El hiperplano 'óptimo' es aquel con el mayor margen: la distancia máxima a los puntos más cercanos de cualquier clase, llamados vectores de soporte. Esta maximización del margen otorga al modelo una buena generalización a datos no vistos. Las SVM pueden manejar tanto separaciones lineales como no lineales mediante funciones kernel que mapean implícitamente los datos a espacios de mayor dimensión.
Desarrollada en la década de 1990 por Vladimir Vapnik y sus colegas en los Laboratorios Bell de AT&T, basándose en trabajos previos de la teoría del aprendizaje estadístico.
Dados datos etiquetados, la SVM resuelve un problema de optimización para encontrar el hiperplano que maximiza el margen mientras minimiza los errores de clasificación (margen flexible). Los vectores de soporte son los puntos de datos más cercanos al hiperplano; definen el margen y la frontera de decisión. Para datos no lineales, una función kernel (por ejemplo, la función de base radial) calcula productos escalares en un espacio de características de alta dimensión sin transformar explícitamente los datos, lo que permite fronteras complejas.
Se usa ampliamente en clasificación de imágenes, categorización de texto (por ejemplo, detección de spam) y bioinformática para la clasificación de proteínas.
Las SVM funcionan bien incluso con datos de alta dimensionalidad, como miles de características, porque la maximización del margen actúa como una forma de regularización.












