
Un classifieur qui sépare les classes par la marge la plus large possible.Une machine à vecteurs de support (SVM) est un modèle d'apprentissage supervisé qui trouve l'hyperplan séparant au mieux les points de données de différentes classes. Le « meilleur » hyperplan est celui qui présente la plus grande marge, c'est-à-dire la distance maximale aux points les plus proches de chaque classe, appelés vecteurs de support. Cette maximisation de la marge confère au modèle une bonne généralisation aux données inédites. Les SVM peuvent traiter aussi bien la séparation linéaire que non linéaire en utilisant des fonctions noyau qui projettent implicitement les données dans des espaces de dimension supérieure.
Développée dans les années 1990 par Vladimir Vapnik et ses collègues des laboratoires Bell d'AT&T, en s'appuyant sur des travaux antérieurs en théorie de l'apprentissage statistique.
À partir de données étiquetées, la SVM résout un problème d'optimisation pour trouver l'hyperplan qui maximise la marge tout en minimisant les erreurs de classification (marge souple). Les vecteurs de support sont les points de données les plus proches de l'hyperplan ; ils définissent la marge et la frontière de décision. Pour des données non linéaires, une fonction noyau (par exemple, la fonction à base radiale) calcule des produits scalaires dans un espace de caractéristiques de haute dimension sans transformer explicitement les données, ce qui permet d'obtenir des frontières complexes.
Largement utilisée en classification d'images, en catégorisation de textes (par exemple, la détection de spam) et en bioinformatique pour la classification des protéines.
Les SVM fonctionnent bien même avec des données de haute dimension, comme des milliers de caractéristiques, car la maximisation de la marge agit comme une forme de régularisation.












