Support-Vector Networks

Résumé

Introduit la machine à vecteurs de support à marge souple, qui sépare les classes par la marge la plus large possible tout en autorisant des violations bornées, et utilise des noyaux pour obtenir des frontières non linéaires.

Pourquoi c’est important

Elle a combiné un principe géométrique clair, maximiser la marge, avec une optimisation convexe à solution unique, et l’astuce du noyau a permis à la même machinerie de produire des frontières non linéaires sans construire de variables en grande dimension. Les SVM ont dominé la classification pratique jusqu’à ce que l’apprentissage profond les supplante sur les tâches perceptives.