SVM (Support Vector Machine)
Une machine à vecteurs de support (SVM) est un algorithme d’apprentissage supervisé qui sépare des données en catégories en traçant la frontière — l’hyperplan — qui maximise la marge entre les deux classes. Concept introduit par Vladimir Vapnik en 1979, développé aux laboratoires AT&T Bell. Plutôt que de chercher n’importe quelle ligne séparant les données, un SVM trouve celle qui laisse le plus d’espace possible de part et d’autre — une propriété qui la rend robuste face au bruit et aux données mal classées.
Sa force distinctive : le « kernel trick », une astuce mathématique qui projette des données non séparables linéairement dans un espace de dimension supérieure, où une séparation devient possible. Le SVM gère nativement la classification binaire (deux catégories), avec des extensions pour la régression (SVR) ou la détection d’anomalies (one-class SVM). Limite documentée : réputé peu transparent (proche d’une black box), très sensible au choix des paramètres, et coûteux en temps de calcul sur l’entraînement de gros volumes de données.
En RH, le SVM sert au tri et à la classification de CV (retenu/écarté), à la prédiction binaire de turnover, ou à la détection d’anomalies dans des données de paie ou de présence. Comparé à un random forest ou un gradient boosting, il reste performant sur des jeux de données de taille moyenne, mais moins adapté aux très gros volumes de données RH.
Retrouvez tous les termes dans le lexique SIRH et IA de yapluqua.com.
Sources : TechTarget, Wikipédia EN (SVM).