Stützvektormaschine

Eine Stützvektormaschine (SVM) kann sowohl zur Klassifikation als auch zur Regression genutzt werden. Gerade hinsichtlich Klassifikationsaufgaben ist die SVM ein häufig eingesetztes Werkzeug.

Grundsätzlich ist das Ziel einer SVM eine Hyperebene in einem N-dimensionalen Raum zu finden, wobei der Abstand des nahegelegensten Datenpunktes zur Ebene maximiert wird. Eine Hyperebene kann den Raum nur linear separieren (auch lineare SVM genannt). Durch den sogenannten Kernel-Trick wird auch eine nichtlineare Trennung möglich (auch Kernel-SVM genannt). Hierbei wird der N-dimensionale Raum in einen höherdimensionalen Raum transformiert. In einem entsprechend hochdimensionalen Raum ist eine lineare Trennung mit einer Hyperebene möglich.

Wenn mehrere Klassen zu unterscheiden sind, werden intern mehrere Stützvektormaschinen erzeugt und es erfolgt eine Einordnung durch Vergleiche. Ebenso ist eine One-Class-SVM trainerbar, welche zur Anomalie-Erkennung eingesetzt werden kann.

Unterstützte Eigenschaften

ONNX-Support

Unterstützt werden die ONNX-Operatoren:

• SVMRegressor
• SVMClassifier

Unterstützte Kernel-Funktionen sind in der folgenden Tabelle aufgeführt:

Kernel-Funktion	Beschreibung
Linear
Radial Basis Function (RBF)
Sigmoid
Polynomial

Beispiele für den Export von SVMs als ONNX, siehe ONNX Export einer SVM.

Einschränkung bei Klassifikation Bei Klassifikationsmodellen wird nur der Ausgang der Labels in der SPS abgebildet. Die Scores/Probabilities sind in der SPS nicht verfügbar.