Comparaison des SVM et de la PLS pour la prédiction de données spectrales

Découvrez cette nouvelle étude de cas comparant le traitement de données de spectroscopie proche infrarouge par les Support Vector Machines (SVM) et par régression PLS.

Vous utilisez la PLS et vous avez atteint les limites de cette méthode dans le cas d’applications complexes. Les SVM peuvent vous y aider. Ces méthodes sont, par exemple, particulièrement intéressantes pour traiter des situations complexes, même avec peu d’échantillons : corrélations non-linéaires, concentrations proches du seuil de détection, données hétérogènes, etc.
Au travers d’un cas pratique de prédiction à partir de spectres proche infrarouge, Ondalys vous initie aux SVM de façon simple et sans équation. Leurs résultats sont comparés à ceux de la PLS.

L’article détaille aussi les SVM, une méthode de Machine Learning facile à mettre en œuvre :

Dans quel cas l’utiliser ? Avantages, inconvénients et limites ? Quels résultats peut-on en attendre, même en cas d’un nombre réduit d’échantillons ?

Retrouvez cette étude sur le site d’Ondalys