دعم آلات المتجهات
آلة ناقل الدعم (SVM) هي خوارزمية كلاسيكية تفصل بين مجموعتين عن طريق رسم أوسع حدود ممكنة بينهما.
نظرة عامة
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
الغوص العميق
يعثر SVM على حدود القرار، التي تسمى المستوى الزائدي، والتي تعمل على زيادة الهامش والفجوة بين الحدود وأقرب نقاط البيانات لكل فئة. أقرب النقاط هي "ناقلات الدعم"، وهي وحدها تحدد الحدود، مما يجعل النموذج مضغوطًا ومقاومًا للقيم المتطرفة البعيدة عن الحافة. عندما لا يمكن تقسيم البيانات بخط مستقيم، تقوم خدعة kernel بتعيينها في مساحة ذات أبعاد أعلى حيث يوجد فصل نظيف، دون حساب تلك الإحداثيات بشكل مباشر. يسمح الهامش الناعم ببعض التصنيفات الخاطئة، التي يتم التحكم فيها بواسطة المعلمة C، وبالتالي يوازن النموذج هامشًا واسعًا ضد أخطاء التدريب. تتفوق SVMs عندما تكون الميزات كثيرة ولكن الأمثلة قليلة، كما هو الحال في تصنيف النص والمعلوماتية الحيوية.
البصيرة الفنية
يعد تعظيم الهامش مشكلة تحسين محدبة، لذا فإن SVMs لديها أمثل عالمي واحد، على عكس الشبكات العصبية. تستبدل خدعة kernel المنتجات النقطية بين نقاط البيانات بوظيفة kernel، مثل دالة الأساس الشعاعي (RBF) أو النواة متعددة الحدود، التي تحسب التشابه في مساحة ذات أبعاد أعلى ضمنيًا. يتيح ذلك للطريقة الخطية رسم حدود منحنية بتكلفة رخيصة. يهيمن على الضبط معلمتان فائقتان: C، التي تستبدل عرض الهامش مقابل الأخطاء، وغاما في نواة RBF، والتي تحدد مدى وصول تأثير كل نقطة.
التأثير الاستراتيجي
قرارات أوضح
يساعدك على فصل المطالبات الفنية الواضحة عن لغة التسويق.
التكلفة والميزانية
يمكنك طرح أسئلة تنفيذ أفضل قبل إنفاق المال أو الوقت.
الفريق وسير العمل
تتخذ الفرق ذات الفهم المشترك قرارات أفضل بشأن المنتجات والسياسات والتعلم.
مستقبل آلات ناقلات الدعم
لقد تم تجاوز SVMs إلى حد كبير من خلال التعلم العميق والأشجار المعززة بالتدرج لمجموعات البيانات الكبيرة والمعقدة، لكنها تظل خيارًا يمكن الاعتماد عليه عندما تكون البيانات نادرة، أو عالية الأبعاد، أو تحتاج إلى خط أساس قوي ومفهوم جيدًا. وتظل شائعة في التدريس، وفي المعلوماتية الحيوية والمهام النصية، وفي البيئات المحدودة الموارد حيث يتفوق نموذج صغير وسريع على شبكة ثقيلة. نتوقع أن تستمر SVMs كأداة كلاسيكية موثوقة ومعيار بدلاً من كونها حدودًا للبحث الجديد.
التنفيذ في العالم الحقيقي
تصنيف النصوص والرسائل غير المرغوب فيها، حيث تحتوي المستندات على آلاف من ميزات الكلمات ولكن أمثلة محدودة.
تصنيف الصور على مجموعات بيانات صغيرة قبل أن يصبح التعلم العميق هو السائد.
تصنيف السرطان والتعبير الجيني في المعلوماتية الحيوية مع العديد من الميزات وعينات قليلة.
التعرف على الأرقام المكتوبة بخط اليد، وهو معيار SVM كلاسيكي في مجموعة بيانات MNIST.
المخاطر والدرابزين
قد تستخدم الفرق المختلفة نفس المصطلح بشكل مختلف، لذا حدد النطاق مبكرًا.
يمكن أن تبدو المعايير قوية بينما يكون الأداء في العالم الحقيقي غير متساوٍ.
غالبًا ما يؤدي تجاهل جودة البيانات وخطط التقييم إلى نتائج هشة.
خارطة طريق التنفيذ
ابدأ بتعريف لغة واضحة للنتيجة التي تحتاجها.
اختر مقياس نجاح واحد وحالة فشل واحدة قبل الاختبار.
قم بتشغيل برنامج تجريبي صغير يحتوي على بيانات تمثيلية، وليس مجموعة تجريبية مصقولة.
قم بتوثيق المجالات التي تساعد فيها أجهزة الدعم المتجهية والأماكن التي تكون فيها الطرق الأبسط أفضل.
استمر في الاستكشاف
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Support Vector Machines quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
الدليل التالي
أساسيات التعلم الآلي
الأسئلة المتداولة
What is Support Vector Machines?
آلة ناقل الدعم (SVM) هي خوارزمية كلاسيكية تفصل بين مجموعتين عن طريق رسم أوسع حدود ممكنة بينهما. لقد كانت واحدة من أقوى أدوات التصنيف قبل التعلم العميق ولا تزال قوية في مجموعات البيانات الصغيرة والنظيفة.
ما الذي تحاول آلة ناقل الدعم تعظيمه؟
يعثر SVM على المستوى الزائد الذي يزيد الهامش، المسافة إلى أقرب النقاط في كل فئة، من أجل الفصل الأقوى.
ما هي "ناقلات الدعم" في SVM؟
فقط النقاط الأقرب إلى الحدود، وهي متجهات الدعم، هي التي تحدد المستوى الزائد؛ يمكن للنقاط الأخرى أن تتحرك دون تغييرها.
ما هي المشكلة التي تحلها خدعة النواة؟
تعمل خدعة النواة على تعيين البيانات ضمنيًا إلى مساحة ذات أبعاد أعلى حيث تعمل الحدود المستقيمة، مما يتيح عمليات فصل منحنية بتكلفة زهيدة.
ما الذي تتحكم فيه المعلمة C في SVM ذات الهامش البسيط؟
أرصدة C بهامش كبير مقابل السماح ببعض أخطاء التدريب؛ الحرف C الصغير يعني هامشًا أوسع وأكثر تسامحًا.
ما هي النواة التي تستخدم عادة لإنشاء حدود مرنة ومنحنية؟
نواة RBF (Gaussian) هي أداة افتراضية شائعة تقيس التشابه على أساس المسافة، مما يسمح بحدود غير خطية سلسة.