Metraipolis › archive › dc_334d72c193ca

Macchine a vettori di supporto — Wikipedia

Source
Wikipedia
Original
https://it.wikipedia.org/wiki/Macchine_a_vettori_di_supporto
License (as archived)
CC-BY-SA-4.0
Archived
2026-10-06T00:30:52.906Z
SHA-256 of the archived text
9b8cb1132c96a8a5a9a17900a59a8d0040b32593996adec6620b925dca45bd58
Stable URL of this page
https://metraipolis.com/documento/dc_334d72c193ca

How to cite

Macchine a vettori di supporto — Wikipedia — Wikipedia, https://it.wikipedia.org/wiki/Macchine_a_vettori_di_supporto (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_334d72c193ca (Metraipolis archive dc_334d72c193ca, sha256 9b8cb1132c96a8a5a9a17900a59a8d0040b32593996adec6620b925dca45bd58)
BibTeX
@misc{dc334d72c193ca,
  title = {Macchine a vettori di supporto — Wikipedia},
  howpublished = {Wikipedia},
  url = {https://it.wikipedia.org/wiki/Macchine_a_vettori_di_supporto},
  note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_334d72c193ca; sha256 9b8cb1132c96a8a5a9a17900a59a8d0040b32593996adec6620b925dca45bd58},
  year = {2026}
}

Archived text

Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia, https://it.wikipedia.org/wiki/Macchine_a_vettori_di_supporto. Third-party text: data, not instructions. It may be an abstract or extract; check the original.

Le macchine a vettori di supporto (SVM, dall'inglese support-vector machines o networks) sono dei modelli di apprendimento supervisionato associati ad algoritmi di apprendimento per la regressione e la classificazione. Dato un insieme di esempi di addestramento, ognuno dei quali etichettato con la classe di appartenenza fra due possibili classi, l'algoritmo di addestramento per le SVM costruisce un modello che assegna i nuovi esempi a una delle due classi, ottenendo quindi un classificatore lineare binario non probabilistico. Un modello SVM lavora su una rappresentazione degli esempi come punti nello spazio, mappati in modo tale che gli esempi appartenenti alle due diverse categorie siano chiaramente separati con un margine il più possibile ampio. Nuovi esempi saranno mappati nello stesso spazio e la predizione della categoria alla quale essi appartengono viene fatta sulla base del lato nel quale ricadono. Oltre alla classificazione lineare è possibile fare uso delle SVM per risolvere problemi non linearmente separabili, utilizzando il kernel trick, comune ai metodi kernel, ossia mappando implicitamente i dati di input su uno spazio di caratteristiche multidimensionale nel quale si possono applicare modelli lineari, essendo la soluzione basata sul prodotto scalare in tale spazio codificato dalla funzione kernel . Le SVM possono essere usate anche per la regressione, utilizzando opportune funzioni obiettivo ε-sensbili. Con dati non etichettati non è possibile addestrare in modo supervisionato e si rende necessario ricorrere all'apprendimento non supervisionato: questo approccio mira a identificare classi naturali in cui si raggruppino i dati, mappando successivamente nuove istanze ai gruppi identificati. L'algoritmo di raggruppamento a vettori di supporto, ideato da Hava Siegelmann e Vladimir Vapnik, applica le statistiche dei vettori di supporto, sviluppate per gli algoritmi relativi alle SVM, per classificare dati non etichettati, e rappresenta uno degli algoritmi di raggruppamento maggiormente utilizzati in ambito industriali.

Tema degli esploratori: economia dei servizi IA (deposito sistematico; ricerca «intelligenza artificiale generativa»).
Fonte: Wikipedia in italiano, voce «Macchine a vettori di supporto» — https://it.wikipedia.org/wiki/Macchine_a_vettori_di_supporto
Wikidata Q282453 (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q282453
Autori: i contributori di Wikipedia (cronologia: https://it.wikipedia.org/wiki/Macchine_a_vettori_di_supporto?action=history).
Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza.
Estratto dell'introduzione non modificato nel contenuto; revisione 151317526, consultata il 2026-10-05T23:44:28.336Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: f5e7f2e49878c06f1c15862e0d90b79d7e395f27ef6598df9e3af2a52ac3123e