آلة المتجهات الداعمة (SVM)

آلة الدعم المتجه (SVM) هي خوارزمية تعلم قوية ومتعددة الاستخدامات تستخدم على نطاق واسع في تحديات التصنيف والانحدار. على عكس العديد من الخوارزميات التي تهدف ببساطة إلى تقليل أخطاء التدريب، تركز آلة الدعم المتجه على إيجاد الحد الأمثل — الذي يُسمى المستوى الفائق — الذي يفصل نقاط البيانات بشكل أفضل إلى فئات متميزة. الهدف الأساسي هو تعظيم الهامش، وهو المسافة بين حد القرار هذا وأقرب نقاط البيانات من كل فئة. من خلال إعطاء الأولوية لأكبر فصل ممكن، يحقق النموذج تعميمًا أفضل على البيانات الجديدة غير المرئية، مما يقلل بشكل فعال من خطر التكيف المفرط مقارنة بالطرق الأبسط مثل الانحدار الخطي القياسي.

الآليات والمفاهيم الأساسية

لفهم كيفية عمل SVMs، من المفيد تصور البيانات مرسومة في فضاء متعدد الأبعاد حيث يمثل كل بعد سمة محددة. تتنقل الخوارزمية في هذا الفضاء لاكتشاف الفصل الأكثر فعالية بين المجموعات.

• المستوى الفائق الأمثل: الهدف الرئيسي هو تحديد مستوى مسطح (أو مستوى فائق في أبعاد أعلى ) يقسم مساحة الإدخال. في مجموعة بيانات ثنائية الأبعاد بسيطة، يظهر هذا على شكل خط؛ وفي ثلاثي الأبعاد، يصبح سطحًا مسطحًا . المستوى الفائق الأمثل هو الذي يحافظ على أقصى مسافة ممكنة من أقرب نقاط البيانات لأي فئة، مما يضمن تمييزًا واضحًا .
• متجهات الدعم: هي نقاط البيانات الحاسمة الأقرب إلى حدود القرار. يُطلق عليها اسم "متجهات الدعم" لأنها تدعم أو تحدد بشكل فعال موضع واتجاه السطح الفائق. غالبًا ما لا يؤثر تعديل أو إزالة نقاط البيانات الأخرى على النموذج، ولكن نقل متجه الدعم يؤدي إلى تغيير الحد بشكل كبير. هذا المفهوم أساسي لكفاءة SVMs، كما هو موضح بالتفصيل في دليل Scikit-learn SVM.
• حيلة النواة: البيانات الواقعية، مثل معالجة اللغة الطبيعية (NLP) ، نادراً ما تكون قابلة للفصل الخطي. تعالج SVMs هذا القيد باستخدام تقنية تسمى "حيلة النواة "، والتي تعمل على إسقاط البيانات في فضاء أعلى الأبعاد حيث يمكن للفاصل الخطي تقسيم الفئات بشكل فعال. تشمل النوى الشائعة وظيفة الأساس الشعاعي (RBF) والنوى متعددة الحدود، مما يسمح للنموذج بالتقاط العلاقات المعقدة وغير الخطية.

SVM مقابل الخوارزميات ذات الصلة

يساعد تمييز SVMs عن تقنيات التعلم الآلي الأخرى الممارسين على اختيار الأداة الصحيحة لمشاريع النمذجة التنبؤية الخاصة بهم .

• الانحدار اللوجستي: كلاهما مصنفان خطيان، لكن أهدافهما في التحسين تختلف بشكل كبير. الانحدار اللوجستي هو احتمالي، يزيد من احتمالية البيانات الملحوظة، بينما SVM هندسي، يزيد من الهامش بين الفئات. تميل SVMs إلى الأداء الأفضل على الفئات المنفصلة جيدًا، بينما يقدم الانحدار اللوجستي احتمالات معايرة.
• K-Nearest Neighbors (KNN): KNN هو متعلم غير معلمي قائم على الحالات يقوم بتصنيف نقطة بناءً على الفئة الأكثر شيوعًا بين جيرانها . في المقابل، SVM هو نموذج معلمي يتعلم الحدود العالمية. توفر SVMs عمومًا زمن استدلال أسرع بمجرد تدريبها لأنها لا تحتاج إلى تخزين مجموعة البيانات بالكامل والبحث فيها أثناء وقت التشغيل.
• أشجار القرار: تقسم شجرة القرار مساحة البيانات إلى مناطق مستطيلة باستخدام قواعد هرمية. يمكن لـ SVMs إنشاء حدود قرار معقدة ومنحنية عبر النوى، والتي قد تجد أشجار القرار صعوبة في تقريبها دون أن تصبح عميقة للغاية وعرضة للتكيف المفرط.
• التعلم العميق الحديث (على سبيل المثال، YOLO26): تعتمد SVMs عادةً على هندسة الميزات اليدوية، حيث يختار الخبراء المدخلات ذات الصلة. تتميز النماذج المتقدمة مثل Ultralytics بالتميز في الاستخراج التلقائي للميزات مباشرةً من الصور الخام، مما يجعلها متفوقة بكثير في المهام الإدراكية المعقدة مثل الكشف عن الكائنات في الوقت الفعلي وتقسيم الحالات.

تطبيقات واقعية

تظل آلات الدعم المتجهي ذات أهمية كبيرة في مختلف الصناعات بسبب دقتها وقدرتها على التعامل مع البيانات عالية الأبعاد.

• المعلوماتية الحيوية: تستخدم SVMs على نطاق واسع في تنبؤ بنية البروتينات وتصنيف الجينات. من خلال تحليل التسلسلات البيولوجية المعقدة، يمكن للباحثين تحديد الأنماط المرتبطة بأمراض معينة ، مما يساعد في التشخيص المبكر والطب الشخصي.
• تصنيف النصوص: في مجال تلخيص النصوص وتصفية البريد العشوائي، تتفوق SVMs في إدارة الأبعاد العالية لمتجهات النصوص. يمكنها classify بشكل فعال على أنها "بريد عشوائي" أو "ليس بريد عشوائي" وتصنيف المقالات الإخبارية حسب الموضوع بدقة عالية.

مثال على التنفيذ

في حين أن مهام الرؤية الحاسوبية الحديثة غالبًا ما تستخدم نماذج شاملة مثل Ultralytics لا تزال SVMs قوية في تصنيف الميزات المستخرجة من هذه النماذج. على سبيل المثال، يمكن استخدام YOLO detect واستخراج ميزاتها، ثم تدريب SVM classify متجهات الميزات المحددة classify لمهمة متخصصة.

فيما يلي مثال موجز يستخدم الشائع scikit-learn مكتبة لتدريب مصنف بسيط على البيانات الاصطناعية.

from sklearn import svm
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# Generate synthetic classification data
X, y = make_classification(n_features=4, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# Initialize and train the Support Vector Classifier
clf = svm.SVC(kernel="linear", C=1.0)
clf.fit(X_train, y_train)

# Display the accuracy on the test set
print(f"Accuracy: {clf.score(X_test, y_test):.2f}")

بالنسبة للفرق التي تسعى إلى إدارة مجموعات بيانات أكبر أو تدريب نماذج التعلم العميق التي يمكن أن تحل محل أو تعزز سير عمل SVM، توفر Ultralytics أدوات لتعليق البيانات ونشر النماذج بشكل سلس. يمكن للمهتمين بالأسس الرياضية الرجوع إلى الورقة الأصلية التي كتبها Cortes و Vapnik (1995)، والتي توضح بالتفصيل تحسين الهامش الناعم الذي يسمح لـ SVMs بمعالجة البيانات الواقعية المضطربة بشكل فعال.