Máquina de vectores de soporte (SVM)

Una máquina de vectores de soporte (SVM) es un método de aprendizaje supervisado que separa clases con una frontera de decisión elegida para maximizar el margen, la distancia a los puntos de entrenamiento más cercanos de cada lado. Solo esos ejemplos límite, llamados vectores de soporte, determinan el modelo final, lo que produce una solución dispersa que a menudo generaliza bien con conjuntos pequeños. Corinna Cortes y Vladimir Vapnik publicaron la formulación ampliamente citada en 1995, sobre trabajos anteriores de margen óptimo en AT&T Bell Laboratories.

Cuando las clases no son linealmente separables en el espacio de entrada bruto, las SVM usan el truco del kernel para calcular productos internos en un espacio de características de mayor dimensión sin construir el mapeo completo de forma explícita. Durante el segundo invierno de la IA, las SVM fueron una vertiente dominante del aprendizaje automático clásico junto a conjuntos y redes neuronales que habían caído en desgracia. Véase el artículo y la entrada de la cronología.