Makine öğreniminde, destek vektör makineleri (SVM’ler, ayrıca vektör ağlarını destekler[1]), sınıflandırma ve regresyon analizi için verileri analiz eden ilişkili öğrenme algoritmalarına sahip denetimli öğrenme modelleridir. AT&T Bell Laboratuvarlarında Vladimir Vapnik tarafından meslektaşlarıyla birlikte geliştirildi (Boser ve diğerleri, 1992, Guyon ve diğerleri, 1993, Cortes ve Vapnik, 1995,[1] Vapnik ve diğerleri, 1997[kaynak belirtilmeli]) SVM’ler, Vapnik (1982, 1995) ve Chervonenkis (1974) tarafından önerilen istatistiksel öğrenme çerçevelerine veya VC teorisine dayanan en sağlam tahmin yöntemleri. Her biri iki kategoriden birine ait olarak işaretlenen bir dizi eğitim örneği verildiğinde, bir DVM eğitim algoritması, bir kategoriye veya diğerine yeni örnekler atayan bir model oluşturur ve bu da onu olasılıksal olmayan bir ikili doğrusal sınıflandırıcı yapar (Platt gibi yöntemler olmasına rağmen). SVM’yi olasılıksal bir sınıflandırma ayarında kullanmak için ölçeklendirme mevcuttur). SVM, iki kategori arasındaki boşluğun genişliğini en üst düzeye çıkarmak için eğitim örneklerini uzaydaki noktalara eşler. Yeni örnekler daha sonra aynı alana eşlenir ve boşluğun hangi tarafına düştüklerine bağlı olarak bir kategoriye ait olduğu tahmin edilir.
Doğrusal sınıflandırma gerçekleştirmeye ek olarak, DVM’ler, girdilerini yüksek boyutlu özellik uzaylarına dolaylı olarak eşleyerek, çekirdek hilesi adı verilen şeyi kullanarak doğrusal olmayan bir sınıflandırmayı verimli bir şekilde gerçekleştirebilir.
Veriler etiketlenmediğinde, denetimli öğrenme mümkün değildir ve verilerin gruplara göre doğal kümelenmesini bulmaya ve ardından yeni verileri bu oluşturulan gruplara eşlemeye çalışan denetimsiz bir öğrenme yaklaşımı gerekir. Hava Siegelmann ve Vladimir Vapnik tarafından oluşturulan destek vektörü kümeleme[2] algoritması, etiketlenmemiş verileri kategorize etmek için destek vektör makineleri algoritmasında geliştirilen destek vektörlerinin istatistiklerini uygular.
Kaynak:
https://en.wikipedia.org/wiki/Support_vector_machine
Wiki Kaynaklar:
1)Cortes, Corinna; Vapnik, Vladimir (1995). “Support-vector networks” (PDF). Machine Learning. 20 (3): 273–297. CiteSeerX 10.1.1.15.9362. doi:10.1007/BF00994018. S2CID 206787478.
2)Ben-Hur, Asa; Horn, David; Siegelmann, Hava; Vapnik, Vladimir N. “”Support vector clustering” (2001);”. Journal of Machine Learning Research. 2: 125–137.
