Machines à vecteurs de support
Une machine à vecteurs de support (SVM) est un algorithme classique qui sépare deux groupes en traçant la frontière la plus large possible entre eux.
Aperçu
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Plongée profonde
Un SVM trouve la limite de décision, appelée hyperplan, qui maximise la marge, l'écart entre la limite et les points de données les plus proches de chaque classe. Ces points les plus proches sont les « vecteurs de support » et ils définissent seuls la limite, ce qui rend le modèle compact et résistant aux valeurs aberrantes éloignées du bord. Lorsque les données ne peuvent pas être divisées par une ligne droite, l'astuce du noyau les mappe dans un espace de dimension supérieure où une séparation nette existe, sans jamais calculer directement ces coordonnées. Une marge souple permet certaines erreurs de classification, contrôlées par un paramètre C, de sorte que le modèle équilibre une large marge contre les erreurs de formation. Les SVM excellent lorsque les fonctionnalités sont nombreuses mais que les exemples sont rares, comme dans la classification de textes et la bioinformatique.
Aperçu technique
Maximiser la marge est un problème d'optimisation convexe, les SVM ont donc un seul optimal global, contrairement aux réseaux de neurones. L'astuce du noyau remplace les produits scalaires entre les points de données par une fonction de noyau, telle que la fonction de base radiale (RBF) ou le noyau polynomial, qui calcule implicitement la similarité dans un espace de dimension supérieure. Cela permet à une méthode linéaire de tracer des limites courbes à moindre coût. Deux hyperparamètres dominent le réglage : C, qui échange la largeur de la marge contre les erreurs, et le gamma dans le noyau RBF, qui définit la portée de l'influence de chaque point.
Impact stratégique
Décisions plus claires
Il vous aide à séparer les affirmations techniques claires du langage marketing.
Coût et budget
Vous pouvez poser de meilleures questions de mise en œuvre avant de dépenser de l'argent ou du temps.
Équipe et flux de travail
Les équipes partageant une compréhension commune prennent de meilleures décisions en matière de produits, de politiques et d’apprentissage.
L'avenir des machines à vecteurs de support
Les SVM ont été largement dépassés par l'apprentissage profond et les arbres améliorés par gradient pour les ensembles de données volumineux et complexes, mais ils restent un choix fiable lorsque les données sont rares, de grande dimension ou nécessitent une base de référence solide et bien comprise. Ils restent courants dans l’enseignement, dans les tâches de bioinformatique et de texte, ainsi que dans les contextes aux ressources limitées où un modèle petit et rapide bat un réseau lourd. Attendez-vous à ce que les SVM persistent en tant qu’outil classique fiable et référence plutôt qu’en tant que frontière de nouvelles recherches.
Mise en œuvre dans le monde réel
Classification du texte et du spam, où les documents comportent des milliers de caractéristiques de mots mais des exemples limités.
Classification d'images sur de petits ensembles de données avant que l'apprentissage profond ne devienne dominant.
Classification du cancer et de l'expression génique en bioinformatique avec de nombreuses fonctionnalités et peu d'échantillons.
Reconnaissance de chiffres manuscrits, une référence SVM classique sur l'ensemble de données MNIST.
Risques et garde-fous
Différentes équipes peuvent utiliser le même terme différemment, alors définissez la portée dès le début.
Les benchmarks peuvent paraître solides alors que les performances réelles sont inégales.
Ignorer la qualité des données et les plans d’évaluation crée souvent des résultats fragiles.
Feuille de route de mise en œuvre
Commencez par une définition en langage simple du résultat dont vous avez besoin.
Choisissez une mesure de réussite et une condition d’échec avant de tester.
Exécutez un petit pilote avec des données représentatives, pas un ensemble de démonstration raffiné.
Documentez où les machines à vecteurs de support sont utiles et où les méthodes plus simples sont meilleures.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Support Vector Machines quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Guide suivant
Bases de l'apprentissage automatique
Questions fréquemment posées
What is Support Vector Machines?
Une machine à vecteurs de support (SVM) est un algorithme classique qui sépare deux groupes en traçant la frontière la plus large possible entre eux. C'était l'un des classificateurs les plus puissants avant l'apprentissage profond et il est toujours performant sur des ensembles de données petits et propres.
Qu’est-ce qu’une machine à vecteurs de support essaie de maximiser ?
Un SVM trouve l'hyperplan qui maximise la marge, la distance aux points les plus proches de chaque classe, pour la séparation la plus robuste.
Quels sont les « vecteurs de support » dans une SVM ?
Seuls les points les plus proches de la frontière, les vecteurs supports, déterminent l'hyperplan ; d'autres points peuvent bouger sans le changer.
Quel problème l’astuce du noyau résout-elle ?
L'astuce du noyau mappe implicitement les données dans un espace de dimension supérieure où fonctionne une frontière droite, permettant des séparations courbes à moindre coût.
Que contrôle le paramètre C dans une SVM à marge souple ?
C équilibre le fait d'avoir une grande marge pour éviter certaines erreurs de formation ; un petit C signifie une marge plus large et plus tolérante.
Quel noyau est couramment utilisé pour créer des limites flexibles et courbes ?
Le noyau RBF (gaussien) est un noyau par défaut populaire qui mesure la similarité en fonction de la distance, permettant ainsi des limites non linéaires lisses.