
Классификатор, который разделяет классы с максимально возможным зазором.Метод опорных векторов (SVM) — это модель обучения с учителем, которая находит гиперплоскость, наилучшим образом разделяющую точки данных разных классов. «Наилучшая» гиперплоскость — та, у которой максимальный зазор — максимальное расстояние до ближайших точек любого класса, называемых опорными векторами. Такая максимизация зазора обеспечивает хорошее обобщение модели на новые данные. SVM может работать как с линейным, так и с нелинейным разделением, используя ядерные функции, которые неявно отображают данные в пространства более высокой размерности.
Разработан в 1990-х годах Владимиром Вапником и его коллегами в лабораториях AT&T Bell, на основе более ранних работ по статистической теории обучения.
Для размеченных данных SVM решает задачу оптимизации, чтобы найти гиперплоскость, максимизирующую зазор и минимизирующую ошибки классификации (мягкий зазор). Опорные векторы — это точки данных, ближайшие к гиперплоскости; они определяют зазор и границу решения. Для нелинейных данных ядерная функция (например, радиальная базисная функция) вычисляет скалярные произведения в многомерном пространстве признаков без явного преобразования данных, что позволяет строить сложные границы.
Широко используется в классификации изображений, категоризации текстов (например, для обнаружения спама) и в биоинформатике для классификации белков.
SVM хорошо работает даже с данными высокой размерности, например, с тысячами признаков, потому что максимизация зазора действует как форма регуляризации.












