روش ماشین بردار پشتیبان

روش ماشین بردار پشتیبان یکی از روش های یادگیری ماشینی است. این روش بر مبنای تئوری یادگیری آماری Vapnik در دهۀ 90 میلادی است که توسط   Vapnik و همکارانش ارائه گردید. برای کمینه کردن خطای مدل در SVM از اصولی که با عنوان کمینه سازی ریسک ساختاری (Structural Risk Minimization) شناخته می شوند، استفاده شده است. در حالی که سایر روش ها مانند روش شبکه های عصبی مصنوعی از اصول کمینه سازی ریسک تجربی (Empirical Risk Minimization) بهره می برند. به طور کلی ماشین بردار پشتیبان در مسائل طبقه بندی دو یا چند گروه و رگرسیون مورد استفاده قرار می گیرد. مانند بسیاری از روش های یادگیری ماشینی، در این روش نیز فرآیند ساخت مدل شامل دو مرحلۀ آموزش و آزمایش می باشد. در انتهای فاز آموزش قابلیت تعمیم یابی مدل آموزش داده شده با استفاده از داده های آزمایش مورد ارزیابی قرار می گیرد. در واقع ماشین بردار پشتیبان، تابع رگرسیون را با به کار گیری یک دسته تابع خطی تخمین می زند، در این تابع، انحراف مقادیر پیش بینی شده از مقدار واقعی به میزان  مجاز است (تابع تلفات Vapnik). در نهایت بهترین جواب به کمک اصول کمینه سازی ریسک ساختاری بر روی ریسک اندازه گیری شده توسط تابع تلفات مورد استفاده، ارائه می شود.