دانلود کتاب An Introduction to Support Vector Machines and Other Kernel-based Learning Methods

در مبحث یادگیری ماشین، ماشین‌های بردار پشتیبان (SVM که شبکه‌ برداری پشتیبان نیز نامیده می‌شوند) مدل‌های یادگیری تحت نظارتی هستند که با الگوریتم‌های یادگیری‌ای که داده را تحلیل و الگوها را شناسایی می‌کنند همکاری می نماید و برای دسته‌بندی و تحلیل رگرسیون استفاده می‌شوند. با داشتن مجموعه‌ای از نمونه‌های آموزشی که مشخص شده است هر کدام به چه دسته‌ای از دو دسته موجود متعلق هستند، یک الگوریتم آموزشی SVM مدلی را می‌سازد که نمونه‌های جدید را به دسته اول یا دوم تخصیص بدهد.

این مسئله SVM را یک دسته‌بند (کلاسیفایر) خطی باینری غیراحتمالی می‌کند. یک مدل SVM نمونه‌ها را به صورت نقاطی در فضا نشان می‌دهد و آنها را طوری نگاشت می‌کند که نمونه‌های متعلق به هر دسته توسط یک حاشیه مشخص که تا حد امکان عریض است، از یکدیگر جدا باشند. نمونه‌های جدید در همان فضا نگاشت شده و بر اساس اینکه کدام سمت حاشیه ذکر شده قرار گرفته‌اند، پیش‌بینی می‌شود که به کدام دسته متعلق هستند.

علاوه بر اجرای دسته‌بندی خطی، SVM ها می‌توانند به صورت مؤثری دسته‌بندی غیرخطی را با استفاده از kernel trick انجام داده و به صورت غیرمستقیم ورودی‌هایشان را به فضای ویژگی در ابعاد بالا نگاشت کنند.