Comment fonctionnent les machines à vecteurs de support (SVM)

Comment fonctionne un SVM ?
SVM fonctionne par mappage des données à un espace d’attributs haute dimension pour que les points de données puissent être classés, même lorsque les données ne sont pas séparables sur un plan linéaire. Un séparateur entre les catégories est identifié.
En savoir plus sur www.ibm.com


Support Vector Machines (SVM) est un algorithme d’apprentissage automatique supervisé couramment utilisé dans les analyses de classification et de régression. L’objectif principal des SVM est de trouver un hyperplan qui sépare les points de données en différentes classes. Dans cet article, nous allons explorer le fonctionnement des SVM et les différents paramètres utilisés pour les optimiser.

Le SVM fonctionne en trouvant l’hyperplan qui maximise la marge entre deux classes. La marge est la distance entre l’hyperplan et les points de données les plus proches de chaque classe. L’hyperplan qui maximise la marge garantit que le classificateur est robuste et qu’il se généralise bien à de nouvelles données. Le SVM est un classificateur binaire, ce qui signifie qu’il ne peut séparer les données qu’en deux classes. Pour classer des données comportant plusieurs classes, nous pouvons utiliser une approche « un contre tous » ou « un contre un ».


L’hyperplan utilisé dans les SVM peut être linéaire ou non linéaire. Pour les données linéairement séparables, un hyperplan linéaire peut être utilisé pour séparer les données. Toutefois, pour les données séparables de manière non linéaire, nous devons transformer les données dans un espace de dimension supérieure à l’aide d’une fonction noyau. La fonction noyau fait correspondre les données à un espace de dimension supérieure où elles deviennent linéairement séparables. Les fonctions noyau les plus couramment utilisées dans les SVM sont les fonctions linéaire, polynomiale, gaussienne et sigmoïde.


Le SVM possède différents paramètres qui peuvent être optimisés pour améliorer ses performances. Le paramètre C contrôle le compromis entre la maximisation de la marge et la minimisation de la mauvaise classification des points de données. Une petite valeur de C se traduira par une marge plus large mais plus d’erreurs de classification, tandis qu’une grande valeur de C se traduira par une marge plus étroite mais moins d’erreurs de classification. Le paramètre gamma contrôle la forme de la fonction noyau, une petite valeur de gamma conduisant à un noyau plus large et une grande valeur à un noyau plus étroit.

En résumé, le SVM permet de trouver un hyperplan qui maximise la marge entre deux classes. Il peut être utilisé pour la classification binaire et peut être étendu à plusieurs classes en utilisant une approche un-vers-tous ou un-vers-un. Les SVM peuvent traiter des données non linéairement séparables en les transformant dans un espace de dimension supérieure à l’aide d’une fonction noyau. Le SVM possède différents paramètres, tels que C et gamma, qui peuvent être optimisés pour améliorer ses performances. Le SVM est un algorithme puissant qui est largement utilisé dans diverses applications, telles que la reconnaissance d’images et la classification de textes.

FAQ

Laisser un commentaire