Support-Vector-Maschine

Kurzbeschriebung

Die Support-Vector-Maschine (SVM) ist ein überwachtes Lernverfahren für Klassifikation und Regression, das Entscheidungsgrenzen mit maximalem Rand (Margin) zwischen Klassen konstruiert. Kernidee ist, eine Trennhyperebene zu finden, die den Abstand zu den nächstgelegenen Datenpunkten (den Support-Vektoren) maximiert.

Für linear trennbare Daten ergibt sich das Optimierungsproblem '"`UNIQ--math-00000000-QINU`"'. Für nichtlinear trennbare Daten wird das Soft-Margin-Prinzip mit Schlupfvariablen eingeführt und die Trennung über Kernel-Tricks (z. B. RBF, Polynom) in höherdimensionale Merkmalsräume verlagert.

Die Support-Vector-Regression (SVR) verallgemeinert das Prinzip auf Regressionsprobleme, indem Abweichungen innerhalb einer '"`UNIQ--math-00000001-QINU`"'-Röhre toleriert werden. SVMs sind durch Regularisierung gut kontrollierbar, liefern stabile Lösungen und sind besonders wirksam bei hochdimensionalen Daten.

Die Modellkomplexität wird im Wesentlichen durch den Regularisierungsparameter '"`UNIQ--math-00000002-QINU`"' und Kernelparameter (z. B. '"`UNIQ--math-00000003-QINU`"' beim RBF-Kernel) gesteuert. Eine sorgfältige Skalierung der Features und Hyperparameterwahl ist entscheidend.

Anwendbarkeit im Gesundheitssektor

Im Gesundheitswesen werden SVMs häufig für Klassifikationsaufgaben eingesetzt, etwa bei Diagnoseunterstützung, Bild- und Signalverarbeitung (Radiologie, Biosignale) sowie bei der Risikostratifizierung von Patient:innen. Ihre Stärke liegt in der Handhabung hochdimensionaler Merkmalsräume mit begrenzten Stichproben.

In Public Health finden SVMs Anwendung bei der Klassifikation von Regionen oder Populationen nach Risikoprofilen, bei Text- und Dokumentklassifikation (z. B. Meldedaten) sowie als leistungsstarker Benchmark in Vergleichsstudien. Sie sind primär prädiktiv und nicht kausal.

Sonstiges

Sehr leistungsfähig bei hoher Dimensionalität

Kernelwahl und Hyperparameter kritisch

Begrenzte Transparenz einzelner Effekte

Semantik

Wikidata-Identifikator ist: Q142503

Deutsche Wikipediaseite ist: Support-Vector-Machine

Englische Wikipediaseite ist: Support_vector_machine

Quelle: Cortes & Vapnik (1995), Support-Vector Networks

Behandlung von Unsicherheit in den Ergebnissen der Methode ist implizit

Für die Methode benötigte Datenmenge ist mittel

Zweck der Methode ist Vorhersage„Vorhersage“ befindet sich nicht in der Liste (Voraussage, Inferenz, Simulation, Kausale Analyse) zulässiger Werte für das Attribut „Zweck der Methode ist“.

Methode ist Mitglied der Methodenfamilie Maschinelles Lernen„Maschinelles Lernen“ befindet sich nicht in der Liste (Mechanistisch, Statistisch, Maschinenlernen, Tiefes Lernen, Hybrid, Kausale Inferenz, Simulation, Operationale Vorhersage, Beschreibende und erkundende Analyse, Praktisches Anwendungskonzept, ...) zulässiger Werte für das Attribut „Methode ist Mitglied der Methodenfamilie“.

Interpretierbarkeit der Ergebnisse der Methode ist mittel;schlecht„Mittel;schlecht“ befindet sich nicht in der Liste (Gut, Mittel, Schlecht) zulässiger Werte für das Attribut „Interpretierbarkeit der Ergebnisse der Methode ist“.

Webseite: https://scikit-learn.org/stable/modules/svm.html