Support Vector Machines (SVM)

Support Vector Machines (SVM) est un algorithme d’apprentissage automatique utilisé pour la classification et la régression. Il cherche à trouver la meilleure frontière de décision (ou hyperplan) qui sépare les différentes classes de manière optimale. Cette frontière de décision est choisie de telle sorte que la marge, qui correspond à la distance entre l’hyperplan et les exemples les plus proches, soit maximisée.

Les SVM sont souvent utilisés en classification binaire, où deux classes distinctes doivent être identifiées. Cependant, ils peuvent également être utilisés pour la classification multi-classe en combinant plusieurs SVM. Ils peuvent également être utilisés pour la régression en trouvant l’hyperplan qui minimise la distance entre les exemples et la frontière de décision.

Avantages des SVM

• Les SVM sont efficaces pour les ensembles de données complexes et de grande taille.
• Ils ont une bonne capacité de généralisation, ce qui signifie qu’ils peuvent être utilisés pour prédire avec précision sur des ensembles de données qu’ils n’ont jamais vus auparavant.
• Par rapport à d’autres algorithmes de classification, les SVM ont une variance plus faible, ce qui signifie qu’ils sont moins sensibles aux données aberrantes dans l’ensemble de données d’apprentissage.

Inconvénients des SVM

• Les SVM peuvent être lents à entrainer sur de grands ensembles de données.
• Il peut être difficile de choisir le bon noyau pour l’ensemble de données, qui peut avoir une grande influence sur les performances du modèle.
• Les SVM ne permettent pas de traiter facilement les données manquantes.