Метод опорных векторов (Support Vector Machine, SVM) — мощный алгоритм машинного обучения, используемый для задач классификации и регрессии. Основная идея SVM заключается в построении гиперплоскости (или набора гиперплоскостей) в многомерном пространстве, которая наилучшим образом разделяет точки данных разных классов.
Оптимальная гиперплоскость — это та, которая имеет максимальный зазор (margin) между ближайшими точками каждого класса, называемыми опорными векторами. SVM может эффективно выполнять нелинейную классификацию с помощью так называемого «ядерного трюка» (kernel trick), который неявно отображает входные данные в более высокоразмерное пространство, где они становятся линейно разделимыми.
Популярные ядра включают:
- линейное
- полиномиальное
- радиальную базисную функцию (RBF)
- сигмоидальное
