Support Vector Machines (SVM)

Le SVM est un algorithme puissant pour la classification, surtout avec des données complexes.

L'Hyperplan et la Marge

Le SVM cherche la frontière qui sépare les classes avec la plus grande marge de sécurité possible. Les points qui touchent cette marge sont les "vecteurs de support".

Le Kernel Trick (Astuce du Noyau)

Si les données ne sont pas séparables linéairement (ex: un cercle au milieu d'un autre), le SVM peut projeter les données dans une dimension supérieure (3D, 4D...) où elles deviennent séparables par un plan.

from sklearn.svm import SVC

# Kernel linéaire, polynomial ou rbf (radial basis function)
model = SVC(kernel='rbf', C=1.0)
model.fit(X_train, y_train)

💪 À vous de jouer !

Utilisez le notebook interactif ci-dessous pour tester le code directement ici !