Waarom is dit belangrijk?
Onderzoekers kunnen met een hypervlak grote verzamelingen van metingen toch in twee groepen verdelen, via één vaste rekenregel in plaats van losse uitzonderingen. In de biologische wetenschap gebruiken onderzoekers die scheiding om eiwitten naar hun type te sorteren. Studenten en analisten herkennen daardoor sneller een patroon in meetreeksen, maar als de groepen door elkaar lopen, belandt een deel in de verkeerde groep.
Zo werkt het in de praktijk
In beeldanalyse scheidt een hypervlak gezonde en afwijkende scans. Een overzichtsartikel beschrijft een supportvectormachine, een model dat dit hypervlak berekent, bij PET-CT-beelden van longkanker en bij borst-MRI. Dezelfde scheiding wordt ook beschreven voor röntgenfoto's van longontsteking.
Bij AT&T Bell Laboratories kozen Vapnik en collega's het hypervlak met de grootste marge. Die marge is de afstand tot de dichtstbijzijnde trainingspunten van elke klasse. Een grotere marge verkleint de fout op nieuwe gevallen.
Passen de klassen niet in een strakke scheiding, dan geldt een zachte marge. Die methode weegt foute punten mee in de berekening. In scikit-learn bepalen de steunvectoren, de dichtstbijzijnde punten, waar het hypervlak ligt.




