Waarom is dit belangrijk?
Met een support vector machine kunnen onderzoekers medische patronen herkennen en een ziekte of het verdere beloop voorspellen. In de zorg en in biomedisch onderzoek helpt het model bij het beoordelen van weefselmonsters, onder meer bij kanker en hartziekte. Zorgverleners krijgen zo een extra aanwijzing bij een diagnose, maar de redenering van het model blijft lastig uit te leggen aan patiënt of collega.
Zo werkt het in de praktijk
Een support vector machine ordent teksten, afbeeldingen en satellietgegevens in klassen. Het model herkent daarbij ook handgeschreven tekens. Het project scikit-learn levert het model voor classificatie, regressie en het opsporen van uitschieters.
Onderzoekers bij AT&T Bell Laboratories werkten de support vector machine uit. In 1992 kwam de kerneltruc erbij, zodat het model kromme grenzen aankan. Het is onduidelijk of het model beter voorspelt dan logistische regressie.
Een support vector machine geeft zelf geen kans op een klasse. Scikit-learn schat die kans met kruisvalidatie en Platt-schaling, een nabewerking van de scores. Bij meerdere klassen traint de software een apart model voor elk paar klassen.




