Машина опорных векторов — это алгоритм классификации, аналогичный логистической регрессии. Оба пытаются найти наилучшую линию, разделяющую два класса. Алгоритм позволяет отрисовываемой линии корректировать по двум классам так, чтобы она проходила самое дальнее место к своим элементам. Это классификатор, который не принимает параметров (непараметрический). SVM также может классифицировать линейные и нелинейные данные, но обычно пытается классифицировать данные линейно.
Когда мы применяем регрессию опорного вектора, мы должны убедиться, что диапазон, который мы рисуем, находится в пределах точки максимума. Пересечения этих нарисованных максимальных интервалов называются опорными точками.
Цель алгоритма SVM — создать наилучшую линию или границу решения, которая может разделить n-мерное пространство на классы, чтобы мы могли легко поместить новую точку данных в правильную категорию в будущем. Эта граница наилучшего решения называется гиперплоскостью.
SVM выбирает крайние точки/векторы, которые помогают в создании гиперплоскости. Эти крайние случаи называются опорными векторами, и, следовательно, алгоритм называется машиной опорных векторов.
SVM можно понять на примере, который мы использовали в классификаторе KNN. Предположим, мы видим странную кошку, которая также имеет некоторые характеристики собак, поэтому, если нам нужна модель, которая может точно определить, кошка это или собака, такую модель можно создать с помощью алгоритма SVM. Сначала мы обучим нашу модель с большим количеством изображений кошек и собак, чтобы изучить различные характеристики кошек и собак, а затем протестируем ее на этом странном существе. Опорный вектор увидит экстремальный случай кошки и собаки, поскольку он создает границу решения между этими двумя данными (кошка и собака) и выбирает экстремальные состояния (опорные векторы). Он классифицирует его как кота на основе опорных векторов. Алгоритм SVM можно использовать для распознавания лиц, классификации изображений, категоризации текста и т. д.
