서포트 벡터 머신(Support Vector Machine, SVM)

목차

1. 응용 사례들
2. 대표적인 예시
3. SVM 장점
4. SVM을 직관적으로 이해하기

본문내용

서포트 벡터 머신(Support Vector Machine, SVM)의 이름은 알고리즘의 기본 원리와 핵심 개념에 기반하여 지어졌습니다.

데이터 포인트들을 분류하기 위해 사용되는 초평면(hyperplane)의 위치는 이 서포트 벡터들에 의해 결정됩니다. 서포트 벡터는 결정 경계와 가장 가까운 데이터 포인트들을 의미합니다. 이러한 포인트들은 결정 경계 주변에서 서로 다른 클래스에 속하는 데이터들을 분리하는 역할을 수행합니다.

"머신(Machine)"은 이 알고리즘이 기계 학습에서 사용되는 머신 러닝 알고리즘이기 때문에 붙은 이름입니다. SVM은 주어진 데이터를 기반으로 패턴을 학습하고, 새로운 데이터를 분류하는 기계 학습 알고리즘입니다. 이러한 점에서 "머신"이라는 용어는 알고리즘의 본질적인 특성을 강조하기 위해 사용되었습니다.

따라서 "서포트 벡터 머신"이란, 데이터 분류를 위해 서포트 벡터라고 불리는 특정한 데이터 포인트들을 기반으로하는 기계 학습 알고리즘을 의미합니다. 이 알고리즘은 서포트 벡터들을 사용하여 데이터를 가장 잘 분류할 수 있는 초평면을 찾고, 새로운 데이터를 해당 초평면을 기준으로 분류합니다.

이렇게 알고리즘의 이름을 이해하면, 이름만 들었을 때 어떤 기능을 하는지 예상하거나 관련된 개념에 대해 생각해볼 수 있게 됩니다.

서포트 벡터 머신은 기계 학습의 분류 및 회귀 문제에 널리 사용되는 강력한 알고리즘으로 핵심 아이디어는 데이터의 분포를 가장 잘 나누는 초평면을 찾는 것입니다. 이 초평면은 두 클래스 간의 거리를 최대화하는 것을 목표로 합니다. 이러한 초평면은 서포트 벡터라고 불리는 일부 학습 데이터 포인트들에 의해 결정됩니다. 서포트 벡터는 결정 경계와 가장 가까운 데이터 포인트들을 말합니다.

참고 자료

없음