SVM

SVM (Support Vector Machine, машина опорных векторов) — это алгоритм обучения с учителем, который ищет оптимальную границу, разделяющую объекты из разных категорий. Важность термина в том, что SVM помогает решать классификацию даже тогда, когда данных мало, а признаков много, и при этом даёт устойчивые результаты. На интуитивном уровне всё просто: представьте точки на плоскости, одни — синие, другие — красные. Алгоритм проводит между ними линию так, чтобы зазор между линией и ближайшими точками каждого цвета был как можно шире. Именно эти пограничные точки, которые касаются края зазора, называются опорными векторами — они и задают положение границы. Если точки на плоскости нельзя разделить прямой, SVM применяет хитрость: добавляет к данным ещё одно измерение (например, высоту), и тогда они легко разделяются плоскостью. Это называется ядровым приёмом. Благодаря этому SVM справляется с задачами, где граница между классами сложная и нелинейная. Практический пример: в банковской системе алгоритм на основе SVM по историческим транзакциям вычисляет нетипичные операции. Небольшая выборка помеченных мошеннических и обычных платежей позволяет алгоритму построить правило и затем предупреждать о подозрительных действиях. Поэтому SVM часто изучают первым при знакомстве с машинным обучением. Вывод: SVM — простой для понимания, но мощный инструмент, который продолжает использоваться в реальных продуктах, а его принципы легли в основу более сложных моделей машинного обучения.