آلة دعم المتجهات الداعمة (SVM)

كيفية عمل Svms

تعمل الخوارزمية من خلال رسم كل عنصر من عناصر البيانات كنقطة في فضاء ذي أبعاد ن (حيث ن هو عدد السمات). ثم يتم إجراء التصنيف من خلال إيجاد المستوى الفائق الذي يخلق أفضل فصل بين الفئات.

• المستوى الفائق: هذا هو حد القرار. في مجموعة البيانات التي تحتوي على ميزتين، يكون خطاً؛ وفي حالة وجود ثلاث ميزات، يكون مستوى. بالنسبة للمزيد من الميزات، يصبح مستوى مفرط.
• متجهات الدعم: هذه هي نقاط البيانات الأقرب إلى المستوى الفائق. وهي بالغة الأهمية لأنها تحدد الهامش، وإزالتها ستغير موضع المستوى الفائق. يمكن العثور على تصور ممتاز لمتجهات الدعم في ملاحظات محاضرة CS229 في جامعة ستانفورد.
• الهامش: الهامش هو الفجوة بين متجهات الدعم والمستوى الفائق. ويتمثل هدف SVM في إيجاد المستوى التشعبي الذي يزيد هذا الهامش إلى أقصى حد، مما يؤدي إلى إنشاء أقوى فصل ممكن.
• خدعة النواة: بالنسبة للبيانات التي لا يمكن فصلها خطيًا، تستخدم الآلات الكهروضوئية الجبرية التحويلية SVMs تقنية تسمى خدعة النواة. تتضمن هذه الطريقة القوية تحويل البيانات إلى مساحة ذات أبعاد أعلى حيث يمكن العثور على فاصل خطي دون حساب إحداثيات البيانات في تلك المساحة الجديدة بشكل صريح. يمكن للنواة الشائعة مثل الدالة القاعدية الشعاعية (RBF) التعامل مع العلاقات المعقدة وغير الخطية للغاية. يمكنك استكشاف دليل نواة SVM kernels لمزيد من التفاصيل.

التطبيقات الواقعية

تتسم الآلات الكهروضوئية الجبرية التكرارية SVMs بالفعالية في العديد من المجالات، خاصةً في المشاكل ذات البيانات عالية الأبعاد.

• المعلوماتية الحيوية: في علم الجينوم وعلم البروتيوميات، تُستخدم الآلات الكهروضوئية الجينية لتصنيف البروتينات وتحليل بيانات التعبير الجيني. على سبيل المثال، يمكن أن تساعد في تحديد الأنواع الفرعية للسرطان بناءً على بيانات المصفوفات الدقيقة، وهي مهمة تنطوي على آلاف السمات. وهذا يجعلها أداة حيوية في الذكاء الاصطناعي للرعاية الصحية.
• تصنيف الصور: قبل هيمنة الشبكات العصبية العميقة، كانت SVMs نموذجًا عالي الأداء لتصنيف الصور. وقد تم استخدامها بنجاح في مهام مثل التعرف على الأرقام المكتوبة بخط اليد على مجموعات بيانات مثل MNIST والتعرف على الأجسام على Caltech-101.
• تصنيف النصوص: في معالجة اللغات الطبيعية (NLP)، تعتبر الآلات الجبرية التصنيفية المغناطيسية فعالة في مهام مثل الكشف عن الرسائل غير المرغوب فيها وتحليل المشاعر. ويمكنها إدارة مساحات السمات عالية الأبعاد التي تم إنشاؤها بواسطة طرق توجيه النص بكفاءة.

Svm مقابل الخوارزميات الأخرى

بالمقارنة مع خوارزميات أبسط مثل الانحدار اللوجستي، تهدف SVMs إلى تعظيم الهامش بدلاً من مجرد إيجاد حد فاصل، مما قد يؤدي إلى تعميم أفضل. على عكس الأساليب القائمة على الشجرة مثل أشجار القرار أو الغابات العشوائية، تقوم SVMs ببناء مستوى فائق واحد مثالي (ربما في فضاء عالي الأبعاد). في حين أن نماذج التعلم العميق الحديثة مثل Ultralytics YOLO تتفوق في الاستخراج التلقائي للميزات من البيانات الأولية (مثل وحدات البكسل في الرؤية الحاسوبية)، غالبًا ما تتطلب SVMs هندسة ميزات دقيقة ولكن يمكنها أن تؤدي أداءً جيدًا بشكل استثنائي على مجموعات البيانات الأصغر أو أنواع محددة من البيانات المنظمة حيث تكون الميزات محددة جيدًا. يمكنك العثور على العديد من مجموعات البيانات هذه في مستودع تعلّم الآلة التابع لجامعة كاليفورنيا في كاليفورنيا.

تشمل التطبيقات الشائعة LibSVM ووحدة SVM في scikit-learn. على الرغم من أن SVM ليست عادةً جوهر أطر السيرة الذاتية الحديثة مثل PyTorch أو TensorFlow، إلا أنه يمكن دمجها في تدفقات عمل أوسع. يمكن تبسيط تدريب هذه النماذج وإدارتها، إلى جانب نماذج أخرى مختلفة، باستخدام منصات مثل Ultralytics HUB، التي تبسّط دورة حياة MLOps بدءًا من وضع العلامات على البيانات إلى ضبط المعلمة الفائقة والنشر النهائي للنموذج.