Descubra o poder das Máquinas de Vectores de Suporte (SVMs) para classificação, regressão e deteção de valores atípicos, com aplicações e conhecimentos do mundo real.
A Máquina de Vectores de Suporte (SVM) é um algoritmo de aprendizagem supervisionada poderoso e versátil utilizado para tarefas de classificação e regressão. Na sua essência, um SVM encontra um hiperplano ótimo ou um limite de decisão que melhor separa os pontos de dados em classes diferentes. O que torna o SVM particularmente eficaz é o seu objetivo de maximizar a margem - a distância entre o hiperplano de separação e os pontos de dados mais próximos de qualquer classe. Este princípio, detalhado no artigo fundamental de Cortes e Vapnik, ajuda a melhorar a capacidade de generalização do modelo, tornando-o menos suscetível de sobreajuste.
O algoritmo funciona traçando cada item de dados como um ponto num espaço n-dimensional (em que n é o número de caraterísticas). A classificação é então efectuada encontrando o hiperplano que cria a melhor separação entre classes.
As SVM são eficazes em muitos domínios, especialmente em problemas com dados de elevada dimensão.
Em comparação com algoritmos mais simples como a Regressão Logística, os SVMs têm como objetivo maximizar a margem em vez de apenas encontrar um limite de separação, o que pode levar a uma melhor generalização. Ao contrário dos métodos baseados em árvores, como as Árvores de Decisão ou as Florestas Aleatórias, as SVMs constroem um único hiperplano ótimo (possivelmente num espaço de elevada dimensão). Enquanto os modelos modernos de aprendizagem profunda, como o Ultralytics YOLO, se destacam na extração automática de caraterísticas a partir de dados brutos (como os pixéis na visão computacional (CV)), as SVM requerem frequentemente uma engenharia cuidadosa das caraterísticas, mas podem ter um desempenho excecional em conjuntos de dados mais pequenos ou em tipos específicos de dados estruturados em que as caraterísticas estão bem definidas. Pode encontrar muitos desses conjuntos de dados no Repositório de Aprendizagem Automática da UCI.
As implementações populares incluem LibSVM e o módulo SVM no scikit-learn. Embora o SVM não seja normalmente o núcleo de estruturas CV modernas como PyTorch ou TensorFlow, ele pode ser integrado em fluxos de trabalho mais amplos. O treinamento e o gerenciamento desses modelos, juntamente com vários outros, podem ser simplificados usando plataformas como o Ultralytics HUB, que simplifica o ciclo de vida dos MLOps, desde a rotulagem de dados até o ajuste de hiperparâmetros e a implantação do modelo final.