« Séparateur à vaste marge » : différence entre les versions
Aucun résumé des modifications |
Aucun résumé des modifications |
||
| Ligne 1 : | Ligne 1 : | ||
==Définition== | ==Définition== | ||
Le séparateur à vaste marge (SVM) est un algorithme d''''[[Apprentissage supervisé|apprentissage supervisé]]''' issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de classification et de régression. | Le séparateur à vaste marge (SVM) est un algorithme d''''[[Apprentissage supervisé|apprentissage supervisé]]''' issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de classification et de régression. | ||
Créés au milieu des années 90 par Vladimir Vapnik, les SVM ont été appliqués à de nombreux domaines: bio-informatique, recherche d'information, vision par ordinateur, finance, etc. | |||
Selon les données, la performance des séparateurs à vaste marge peut être parfois du même ordre, ou même supérieure, à celle d'un '''[[Réseau de neurones artificiels|réseau de neurones]]''' ou d'un modèle de mélanges gaussiens. | |||
==Compléments== | ==Compléments== | ||
| Ligne 8 : | Ligne 10 : | ||
Note: on dit séparateur à « vaste marge » et non séparateur à « vastes marges » car il n'y a qu'une seule marge. | Note: on dit séparateur à « vaste marge » et non séparateur à « vastes marges » car il n'y a qu'une seule marge. | ||
Les SVM reposent sur une mesure de similarité calculé par un noyau (en anglais, kernel). On dira que les SVM font partie des méthodes à noyau. | |||
==Français== | ==Français== | ||
| Ligne 19 : | Ligne 23 : | ||
'''classificateur à large marge''' <small>(<i>usage plus rare</i>)</small> | '''classificateur à large marge''' <small>(<i>usage plus rare</i>)</small> | ||
'''méthode à noyau''' | |||
==Anglais== | ==Anglais== | ||
| Ligne 25 : | Ligne 31 : | ||
'''SVM''' | '''SVM''' | ||
'''kernel method''' | |||
<small> | <small> | ||
Version du 16 août 2022 à 01:31
Définition
Le séparateur à vaste marge (SVM) est un algorithme d'apprentissage supervisé issu d'une généralisation des classificateurs linéaires et destiné à résoudre des problèmes de classification et de régression.
Créés au milieu des années 90 par Vladimir Vapnik, les SVM ont été appliqués à de nombreux domaines: bio-informatique, recherche d'information, vision par ordinateur, finance, etc.
Selon les données, la performance des séparateurs à vaste marge peut être parfois du même ordre, ou même supérieure, à celle d'un réseau de neurones ou d'un modèle de mélanges gaussiens.
Compléments
En français, on préfère le terme « séparateur à vaste marge » qui conserve l'acronyme «SVM», aussi parfois « machine à vecteurs de support », « classificateur à vaste marge » ou « classificateur à large marge ».
Note: on dit séparateur à « vaste marge » et non séparateur à « vastes marges » car il n'y a qu'une seule marge.
Les SVM reposent sur une mesure de similarité calculé par un noyau (en anglais, kernel). On dira que les SVM font partie des méthodes à noyau.
Français
séparateur à vaste marge
SVM
machine à vecteurs de support (usage plus rare)
classificateur à vaste marge (usage plus rare)
classificateur à large marge (usage plus rare)
méthode à noyau
Anglais
support vector machine
SVM
kernel method
Source: Canu, Stéphane. (2006). Apprentissage et noyaux : séparateur à vaste marge (SVM). Revue de l'Electricité et de l'Electronique. -. 69. 10.3845/ree.2006.062.
Source: Lebrun, Gilles (2006). Sélection de modèles pour la classification supervisée avec des SVM (Séparateurs à Vaste Marge), thèse de doctorat, Université de Caen Basse-Normandie, 311 pages.
Source: Kharroubi, Jamal (2002). Étude de techniques de classement ”Machines à vecteurs supports” pour la vérification automatique du locuteur, thèse de doctorat, Télécom ParisTech, 129 pages.
Source: Fernandez, Rodrigo (1999). Machines a vecteurs de support pour la reconnaissance des formes : proprietes et applications, thèse de doctorat. Université Paris 13.
Contributeurs: Claude Coulombe, Jacques Barolet, Patrick Drouin, wiki
