Résumé:
Dans ce mémoire, on a donné une vision purement mathématique des SVMs, cette
méthode de classification est basée sur la recherche d’un hyperplan qui permet de séparer
au mieux les ensembles des données. On a exposé le cas linéairement séparable
et non-linéairement séparables qui nécessite l’utilisation des fonctions noyaux. Parmi
les fonction noyaux, nous sommes particulièrement intéressés par les noyaux à base de
polynômes orthogonaux de Jacobi, Hermite et Laguerre. Ce multiple choix de noyaux
rend lesSVMs plus intéressants et surtout plus riches puisqu’on peut toujours chercher
de nouveaux noyaux qui peuvent être mieux adaptés à la tâche qu’on veut accomplir.
