A support vector machine (SVM) é um tipo de algoritmo de aprendizagem profunda que realiza aprendizagem supervisionada para classificação ou regressão de grupos de dados.
In AI and aprendizagem de máquinas, os sistemas de aprendizagem supervisionada fornecem dados de entrada e saída desejados, que são rotulados para classificação. A classificação fornece uma base de aprendizagem para o futuro processamento de dados. Máquinas vetoriais de suporte são usadas para ordenar dois grupos de dados por classificação semelhante. Os algoritmos desenham linhas (hiperplanos) para separar os grupos de acordo com padrões.
>br>Um SVM constrói um modelo de aprendizagem que atribui novos exemplos a um ou outro grupo. Por estas funções, SVMs são chamados de classificadores lineares não-babilísticos e binários. Nas definições de classificação probabilística, as SVMs podem utilizar métodos como o Platt Scaling.
Tal como outras máquinas de aprendizagem supervisionadas, uma SVM requer dados etiquetados para ser treinada. Os grupos de materiais são etiquetados para classificação. Os materiais de treinamento para SVMs são classificados separadamente em diferentes pontos no espaço e organizados em grupos claramente separados. Após processar inúmeros exemplos de treinamento, as SVMs podem realizar o aprendizado não supervisionado. Os algoritmos tentarão alcançar a melhor separação de dados com o limite em torno do hiperplano sendo maximizado e mesmo entre os dois lados.
SVMs foram inventados por Vladimir N. Vapnik e Alexey Ya. Chervonenkis, em 1963. Desde então, os sistemas têm sido usados em texto, hipertexto e classificação de imagens. As SVMs podem trabalhar com caracteres escritos à mão e os algoritmos têm sido usados em laboratórios de biologia para realizar tarefas como a classificação de proteínas. Sistemas de aprendizagem supervisionados e não supervisionados são usados em chatbots, auto-condução de carros, reconhecimento facial programas, sistemas especializados e robôs, entre outras coisas.