Machines vectorielles de soutien: Marge douce

Cette séance de cours couvre le concept de Support Vector Machines (SVM) avec un accent sur la marge souple. Dans la pratique, les données ne sont souvent pas séparables linéairement, ce qui rend nécessaire une approche de marge molle. La formulation SVM vise à trouver un équilibre entre les erreurs de classification et la taille de la marge en introduisant un hyperparamètre C. La séance de cours explique la définition des vecteurs de support, la formulation de SVM avec une marge molle, la fonction de perte de charnière pour la classification binaire, et les formulations primaires et doubles de SVM. Il traite également de l'interprétation géométrique de la marge molle, de l'utilisation de SVM pour la classification multiclasse et de différentes approches pour la classification multiclasse à l'aide de classificateurs binaires. En outre, il introduit le concept de SVM du noyau pour la séparation des données non linéaires.