Macchine a Supporto Vettoriale
Da Wikipedia, l'enciclopedia libera.
Le macchine a supporto vettoriale (Support Vector Machines, SVMs) sono un'insieme di algoritmi per la regressione e la classificazione di pattern, sviluppata recentemente da Vladimir Vapnik ed il suo team presso i laboratori Bell AT&T.
Le macchine a supporto vettoriale possono essere pensate come una tecnica alternativa per consentire l’apprendimento di classificatori polinomiali, in cui i pesi della rete neurale vengono ottenuti risolvendo un problema di programmazione quadratica con vincoli di uguaglianza o di tipo box, cioè in cui il valore di un parametro deve essere mantenuto all’interno di due estremi. Questo è uno dei vantaggi principali rispetto alle tecniche classiche di addestramento delle reti neurali, come la Back Propagation, che permettono di ottenere i pesi della rete risolvendo un problema di ottimizzazione non convesso e non vincolato e, di conseguenza, con un numero indeterminato di minimi relativi; al contrario la tecnica di addestramento di SVM permette di ottenere i parametri caratteristici della rete mediante la soluzione di un problema di ottimizzazione quadratica convesso che prevede un unico minimo globale.
Alcune applicazioni per cui le SVM sono state utilizzate con successo sono:
- OCR (Optical Character Recognition, dove in breve le SVM divennero competitive con i migliori metodi utilizzati)
- identificazione di facce in immagini
- identificazione di pedoni
- classificazione di testi
[modifica] Collegamenti esterni
- (EN) www.kernel-machines.org (informazioni generali e materiale di ricerca)
- (EN) www.support-vector.net (novità, link e codice relativo alle macchine a supporto vettoriale)
