Support-Vektor-Maschine (Support vector machine, SVM)

Eine Support-Vektor-Maschine (SVM) ist eine Methode des überwachten Lernens, die Klassen mit einer Entscheidungsgrenze trennt, die den Margin, den Abstand zu den nächsten Trainingspunkten auf jeder Seite, maximiert. Nur diese Randbeispiele, die Support Vektoren, bestimmen das finale Modell. Das ergibt eine dünne Lösung, die auf kleinen Datensätzen oft gut generalisiert. Corinna Cortes und Vladimir Vapnik veröffentlichten 1995 die weithin zitierte Formulierung und bauten auf früherer Maximum-Margin-Arbeit bei AT&T Bell Laboratories auf.

Wenn Klassen im Roh-Eingaberaum nicht linear trennbar sind, nutzen SVMs den Kernel-Trick, um innere Produkte in einem höherdimensionalen Merkmalsraum zu berechnen, ohne die vollständige Abbildung explizit aufzubauen. Während des zweiten KI-Winter waren SVMs eine dominante Strömung des klassischen maschinellen Lernens neben Ensembles und neuronalen Netzen, die außer Mode geraten waren. Siehe den Artikel und den Zeitleisten-Eintrag.