분류, 회귀, 이상값 탐지를 위한 서포트 벡터 머신(SVM)의 강력한 성능을 실제 애플리케이션과 인사이트를 통해 알아보세요.
서포트 벡터 머신(SVM)은 주로 분류 작업에 사용되는 인기 있고 강력한 지도 머신 러닝(ML) 알고리즘이지만, 회귀(서포트 벡터 회귀 - SVR) 및 이상값 탐지에도 효과적입니다. 1990년대에 개발된 SVM은 고차원 공간에서 서로 다른 클래스에 속하는 데이터 포인트를 가장 잘 구분하는 하이퍼플레인이라고 하는 최적의 경계를 찾는 방식으로 작동합니다. 핵심 아이디어는 마진, 즉 하이퍼플레인과 각 클래스에서 가장 가까운 데이터 포인트(지원 벡터) 사이의 거리를 최대화하는 것으로, 보이지 않는 데이터에 대해 우수한 일반화 성능을 보이는 경우가 많습니다.
SVM의 핵심 원리는 데이터 집합을 분할할 수 있는 이상적인 하이퍼플레인을 찾는 것입니다. 직선 또는 평면으로 분리할 수 있는 데이터(선형적으로 분리 가능한 데이터)의 경우, SVM은 클래스 간에 가능한 가장 큰 간격을 만드는 하이퍼플레인을 식별합니다. 이 하이퍼플레인의 위치와 방향을 정의하는 데 중요한 이 하이퍼플레인에 가장 가까운 데이터 포인트를 서포트 벡터라고 합니다. 경계 근처의 가장 까다로운 점에 초점을 맞추면 학습 후 모델을 정의하는 데 이러한 지원 벡터만 필요하므로 SVM의 메모리 효율성이 높아집니다.
선형 경계로 클래스를 분리할 수 없는 데이터 세트(비선형적으로 분리할 수 없는 데이터)의 경우, SVM은 커널 트릭이라는 기법을 사용합니다. 이 영리한 방법을 사용하면 SVM은 이 새로운 공간에서 좌표를 명시적으로 계산하지 않고도 원본 데이터를 선형 분리가 가능한 고차원 공간으로 매핑할 수 있습니다. 일반적인 커널 함수는 다음과 같습니다:
커널과 해당 파라미터의 선택은 매우 중요하며 종종 신중한 하이퍼파라미터 조정이 필요합니다.
SVM은 특히 고차원 데이터(많은 특징)가 있지만 훈련 샘플이 제한된 시나리오에서 딥러닝(DL)의 부상에도 불구하고 여전히 관련성이 높습니다. 특히 명확한 분리 마진이 존재하는 경우 이론적 보장과 견고성으로 잘 알려져 있습니다. 역사적으로 물체 감지의 진화에서 알 수 있듯이, SVM은 HOG(Histogram of Oriented Gradients) 와 같은 특징 추출기와 결합하여 물체 감지와 같은 작업에 최첨단 기술을 사용했습니다.
일반적인 애플리케이션은 다음과 같습니다:
장점:
제한 사항:
로지스틱 회귀와 같은 단순한 알고리즘에 비해 SVM은 단순히 경계를 구분하는 것이 아니라 마진을 극대화하는 것을 목표로 하므로 일반화가 더 잘 이루어질 수 있습니다. 의사 결정 트리나 랜덤 포리스트와 달리 SVM은 하나의 최적의 하이퍼플레인을 구성합니다. 다음과 같은 최신 딥러닝 모델은 Ultralytics YOLO 와 같은 최신 딥러닝 모델은 원시 데이터( 컴퓨터 비전의 픽셀 등)에서 자동 특징 추출에 탁월하지만, SVM은 종종 신중한 특징 엔지니어링이 필요하지만 소규모 데이터 세트나 특정 유형의 구조화된 데이터에서 잘 작동할 수 있습니다. 널리 사용되는 구현으로는 LibSVM과 scikit-learn의 SVM 모듈이 있습니다. 이러한 모델의 훈련과 관리는 Ultralytics HUB와 같은 플랫폼을 사용하여 간소화할 수 있습니다.
KO
EN
ZH
JA
RU
DE
FR
ES
PT
IT
AR
TR
VI
