Destek Vektör Makineleri
Destek vektör makinesi (SVM), iki grubu aralarında mümkün olan en geniş sınırı çizerek ayıran klasik bir algoritmadır.
Genel Bakış
It was one of the most powerful classifiers before deep learning and is still strong on small, clean datasets.
Derin Dalış
Bir SVM, kenar boşluğunu, sınır ile her sınıfın en yakın veri noktaları arasındaki boşluğu maksimuma çıkaran, hiperdüzlem adı verilen karar sınırını bulur. Bu en yakın noktalar 'destek vektörleri'dir ve sınırı tek başına tanımlarlar, bu da modeli kompakt ve kenardan uzaktaki aykırı değerlere karşı dirençli kılar. Veriler düz bir çizgiyle bölünemediğinde, çekirdek hilesi onu, koordinatları doğrudan hesaplamadan, temiz bir ayrımın mevcut olduğu daha yüksek boyutlu bir uzaya haritalar. Yumuşak marj, C parametresi tarafından kontrol edilen bazı yanlış sınıflandırmalara izin verir, böylece model, eğitim hatalarına karşı geniş bir marjı dengeler. SVM'ler, metin sınıflandırma ve biyoenformatik gibi özelliklerin çok olduğu ancak örneklerin az olduğu durumlarda üstün performans gösterir.
Teknik Bilgi
Marjı maksimuma çıkarmak dışbükey bir optimizasyon problemidir, bu nedenle SVM'lerin sinir ağlarından farklı olarak tek bir global optimumu vardır. Çekirdek numarası, veri noktaları arasındaki nokta çarpımlarını, daha yüksek boyutlu bir uzaydaki benzerliği örtülü olarak hesaplayan radyal temel işlevi (RBF) veya polinom çekirdeği gibi bir çekirdek işleviyle değiştirir. Bu, doğrusal bir yöntemin kavisli sınırları ucuza çizmesine olanak tanır. Ayarlamada iki hiperparametre hakimdir: hatalara karşı marj genişliğini değiştiren C ve her noktanın etkisinin ne kadar uzağa ulaşacağını belirleyen RBF çekirdeğindeki gama.
Stratejik Etki
Daha net kararlar
Açık teknik iddiaları pazarlama dilinden ayırmanıza yardımcı olur.
Maliyet ve bütçe
Para veya zaman harcamadan önce daha iyi uygulama soruları sorabilirsiniz.
Ekip ve iş akışı
Ortak anlayışa sahip ekipler daha iyi ürün, politika ve öğrenme kararları verir.
Destek Vektör Makinelerinin Geleceği
SVM'ler büyük, karmaşık veri kümeleri için derin öğrenme ve gradyanla güçlendirilmiş ağaçlar tarafından büyük ölçüde geride bırakılmıştır, ancak veriler kıt olduğunda, yüksek boyutlu olduğunda veya güçlü, iyi anlaşılmış bir temele ihtiyaç duyduğunda güvenilir bir seçim olmaya devam etmektedirler. Öğretimde, biyoenformatikte ve metin görevlerinde ve küçük, hızlı bir modelin ağır bir ağa üstün geldiği kaynak sınırlı ortamlarda yaygın olarak kalırlar. SVM'lerin yeni araştırmaların öncüsü olmaktan ziyade güvenilir bir klasik araç ve referans noktası olarak varlığını sürdürmesini bekliyoruz.
Gerçek Dünya Uygulaması
Belgelerin binlerce kelime özelliğine sahip olduğu ancak örneklerin sınırlı olduğu metin ve spam sınıflandırması.
Derin öğrenmeden önce küçük veri kümeleri üzerinde görüntü sınıflandırması baskın hale geldi.
Biyoinformatikte birçok özellik ve az örnekle kanser ve gen ekspresyonu sınıflandırması.
MNIST veri kümesinde klasik bir SVM karşılaştırması olan el yazısı rakam tanıma.
Riskler ve Korkuluklar
Farklı ekipler aynı terimi farklı şekilde kullanabilir; bu nedenle kapsamı erken tanımlayın.
Gerçek dünya performansı dengesizken karşılaştırmalar güçlü görünebilir.
Veri kalitesini ve değerlendirme planlarını göz ardı etmek çoğu zaman hassas sonuçlar doğurur.
Uygulama Yol Haritası
İhtiyacınız olan sonucun sade bir dille tanımlanmasıyla başlayın.
Test etmeden önce bir başarı ölçüsü ve bir başarısızlık koşulu seçin.
Gösterişli bir demo seti yerine, temsili verilerle küçük bir pilot çalışma yürütün.
Destek Vektör Makinelerinin nerede yardımcı olduğunu ve daha basit yöntemlerin nerede daha iyi olduğunu belgeleyin.
Keşfetmeye Devam Edin
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
Next guide
Makine Öğreniminin Temelleri
Sık sorulan sorular
What is Support Vector Machines?
Destek vektör makinesi (SVM), iki grubu aralarında mümkün olan en geniş sınırı çizerek ayıran klasik bir algoritmadır. Derin öğrenmeden önceki en güçlü sınıflandırıcılardan biriydi ve küçük, temiz veri kümelerinde hâlâ güçlü.
Bir destek vektör makinesi neyi maksimize etmeye çalışır?
Bir SVM, en sağlam ayırma için her sınıfın en yakın noktalarına olan mesafeyi, yani marjı maksimuma çıkaran hiperdüzlemi bulur.
Bir SVM'deki 'destek vektörleri' nelerdir?
Yalnızca sınıra en yakın noktalar olan destek vektörleri hiperdüzlemi belirler; diğer noktalar değişmeden hareket edebilir.
Çekirdek numarası hangi sorunu çözüyor?
Çekirdek numarası, verileri düz bir sınırın çalıştığı daha yüksek boyutlu bir alana örtülü olarak eşler ve kavisli ayrımları ucuza sağlar.
Yumuşak marjlı bir SVM'de C parametresi neyi kontrol eder?
Bazı eğitim hatalarına izin verilmesine karşı büyük bir marja sahip olan C dengeleri; küçük C daha geniş, daha toleranslı bir kenar boşluğu anlamına gelir.
Esnek, kavisli sınırlar oluşturmak için yaygın olarak hangi çekirdek kullanılır?
RBF (Gaussian) çekirdeği, mesafeye dayalı olarak benzerliği ölçen ve doğrusal olmayan düzgün sınırlara izin veren popüler bir varsayılandır.