Support Vector Machine (SVM)

Eine Support Vector Machine ist ein überwachter Algorithmus des maschinellen Lernens, der die Entscheidungsgrenze, auch Hyperebene genannt, findet, die den Abstand (Margin) zwischen unterschiedlichen Klassen im Merkmalsraum maximiert. Durch die Maximierung dieses Margins erreichen SVMs eine starke Generalisierung auf ungesehene Daten. Der Algorithmus identifiziert eine Teilmenge der Trainingspunkte, die der Grenze am nächsten liegen, sogenannte Stützvektoren (Support Vectors), die die optimale Hyperebene eindeutig definieren. Für Daten, die nicht linear trennbar sind, verwenden SVMs Kernfunktionen, um die Eingaben in höherdimensionale Räume zu projizieren, in denen eine lineare Trennung möglich wird.

SVMs werden in der Fernerkundung umfassend zur Landbedeckungsklassifikation eingesetzt, wobei jedes Pixel durch einen Merkmalsvektor aus spektralen Bandwerten repräsentiert wird. Der Kernel-Trick erlaubt es SVMs, komplexe, nichtlineare Klassengrenzen zu modellieren, die durch spektrale Überlappungen zwischen Landbedeckungstypen wie unterschiedlichen Feldfrüchten oder städtischen Oberflächen entstehen. SVMs funktionieren gut mit vergleichsweise kleinen Trainingsstichproben, eine häufige Einschränkung in Geodatenprojekten, in denen gelabelte Daten eine Interpretation durch Fachleute erfordern. Sie sind effektiv für die Klassifikation hyperspektraler Bilder, bei der die Merkmalsdimensionalität sehr hoch ist, ein Szenario, in dem viele andere Algorithmen ohne umfangreiche Dimensionsreduktion an ihre Grenzen stoßen.

SVMs sind speichereffizient, da sie nur von den Stützvektoren und nicht vom gesamten Trainingsdatensatz abhängen, und sie sind in hochdimensionalen Räumen widerstandsfähig gegen Overfitting. Allerdings skalieren sie schlecht auf die sehr großen Datensätze, wie sie in modernen Satellitenbildern üblich sind, da die Trainingszeit quadratisch oder schlechter mit der Stichprobengröße wächst. SVMs bieten keine probabilistischen Ausgaben und keine Maße für die Merkmalswichtigkeit, wie sie baumbasierte Verfahren liefern, und die Auswahl des Kernels sowie die Parameterabstimmung erfordern sorgfältiges Experimentieren. Bei groß angelegten Geodatenaufgaben wurden SVMs weitgehend von Ensemble-Methoden und Deep Learning abgelöst, bleiben jedoch für kleinere, spezialisierte Klassifikationsprobleme wertvoll.