Machine à vecteurs de support (Support vector machine, SVM)

Une machine à vecteurs de support (SVM) est une méthode d’apprentissage supervisé qui sépare les classes avec une frontière de décision choisie pour maximiser la marge, la distance aux points d’entraînement les plus proches de chaque côté. Seuls ces exemples limites, appelés vecteurs de support, déterminent le modèle final, ce qui donne une solution parcimonieuse qui généralise souvent bien sur de petits jeux de données. Corinna Cortes et Vladimir Vapnik ont publié en 1995 la formulation largement citée, en s’appuyant sur des travaux antérieurs sur la marge optimale aux laboratoires AT&T Bell.

Quand les classes ne sont pas linéairement séparables dans l’espace d’entrée brut, les SVM utilisent l’astuce du noyau pour calculer des produits scalaires dans un espace de caractéristiques de plus grande dimension sans construire explicitement toute la projection. Pendant le second hiver de l’IA, les SVM formaient un courant dominant de l’apprentissage automatique classique aux côtés des ensembles et des réseaux de neurones démodés. Voir l’article et l’entrée de chronologie.