Qu'est-ce que la machine à vecteurs de support en Business Intelligence ?

Dans le "apprentissage automatique", les Machine à vecteur de soutien (SVM) est un modèle d'apprentissage supervisé avec des algorithmes associés qui analysent les données et reconnaissent les modèles, utilisé pour la classification et l'analyse de régression dans L'intelligence d'entreprise. le SVM Basic prend un ensemble de données d'entrée et prédit, pour chaque entrée donnée, laquelle des deux classes de la sortie appartient, il s'agit donc d'un classificateur linéaire binaire non probabiliste (il suffit de choisir entre 2 option). Étant donné un ensemble d'exemples de formation, chacun marqué comme appartenant à l'un des deux catégories, un algorithme d'apprentissage construit un modèle qui attribue de nouveaux exemples dans un catégorie ou autre. Ce type de modèle est largement utilisé pour l'analyse de modèles dans lesquels un ensemble de données doit être classé en seulement deux catégories, fraude ou non-fraude, oui ou non au crédit, etc. Un modèle SVM est une représentation des exemples (base de données avec laquelle l'estimation a été faite) sous forme de points dans l'espace, de sorte que attribuer les exemples de catégories distinctes qui sont généralement divisées par un espace défini, espace qui doit être aussi large qu'il est possible. Les nouvelles données d'entrée seront classées dans le même espace et pour prédire à quelle catégorie elles appartiennent.

La machine à vecteur de soutien il est basé sur le fait que chaque nouvelle donnée peut être classée dans la catégorie correspondante en fonction de l'apprentissage des données analysées. Dans l'exemple ci-dessous, les objets appartiennent à une seule classe verte ou rouge. La ligne de séparation définit une limite sur le côté droit où tous les objets sont verts et à gauche où tous les objets sont rouges.

Dans cet autre exemple, nous pouvons observer les deux catégories divisées par un axe central et deux distances de dégagement entre elles.

Dans la vraie vie il est très difficile de trouver des modèles aussi clairs que ceux de ces images, mais il est toujours possible d'avoir une approximation.