Sözlük

Destek Vektör Makinesi (SVM)

Destek Vektör Makinelerinin (DVM'ler) yüksek boyutlu verilerle sınıflandırma, regresyon ve aykırı değer tespitinde nasıl üstünlük sağladığını keşfedin.

YOLO modellerini Ultralytics HUB ile basitçe
eğitin

Daha fazla bilgi edinin

Destek Vektör Makinesi (DVM) sınıflandırma, regresyon ve aykırı değer tespiti için kullanılan güçlü ve çok yönlü bir denetimli makine öğrenimi algoritmasıdır. DVM'ler özellikle yüksek boyutlu uzaylarda etkilidir ve sınıflar arasında net ayrım marjları olduğunda yaygın olarak kullanılır. Veri noktalarını farklı kategorilerde belirgin bir şekilde sınıflandıran en iyi hiper düzlemi bularak çalışırlar.

Destek Vektör Makinelerinin Temel Kavramları

Özünde, bir DVM, bir özellik uzayında farklı sınıfların veri noktalarını en iyi şekilde ayıran bir hiper düzlem bulmayı amaçlar. Hiper düzlem, hiper düzlem ile her sınıftan en yakın veri noktası arasındaki mesafe olan marjı maksimize edecek şekilde seçilir. Bu en yakın veri noktalarına destek vektörleri denir ve optimum hiper düzlemin tanımlanmasında çok önemli bir rol oynarlar.

Verilerin doğrusal olarak ayrılamadığı durumlarda DVM'ler çekirdek hilesi adı verilen bir teknik kullanır. Çekirdek hilesi, orijinal verilerin doğrusal bir ayrımın mümkün olduğu daha yüksek boyutlu bir uzaya eşlenmesini içerir. Yaygın çekirdek fonksiyonları arasında doğrusal, polinom ve radyal temel fonksiyonu (RBF) bulunur.

Destek Vektör Makinelerinin Avantajları

DVM'ler, makine öğreniminde popüler bir seçim olmalarını sağlayan çeşitli avantajlar sunar:

  • Yüksek Boyutlu Uzaylarda Etkililik: DVM'ler, boyut sayısı örnek sayısından daha fazla olduğunda bile iyi performans gösterir.
  • Bellek Verimliliği: Karar fonksiyonunda sadece destek vektörleri kullanıldığından, DVM'ler bellek açısından verimlidir.
  • Çok yönlülük: Farklı kernel fonksiyonları belirlenebilir ve SVM'lerin çeşitli veri ve problem türlerine uyarlanmasına olanak tanır.
  • Sağlamlık: DVM'ler, marjı maksimize ederek diğer sınıflandırma algoritmalarına kıyasla aşırı uyum sağlamaya daha az eğilimlidir.

Destek Vektör Makinelerinin Gerçek Dünya Uygulamaları

DVM'ler çeşitli alanlarda geniş bir uygulama yelpazesine sahiptir:

  • Görüntü Sınıflandırma: DVM'ler, görüntülerdeki nesneleri veya desenleri tanımlamak gibi görüntü sınıflandırma görevleri için kullanılabilir. Örneğin, yüz tanıma uygulamalarında yüz özelliklerine göre farklı bireyleri ayırt etmek için kullanılırlar.
  • Metin ve Hiper Metin Kategorizasyonu: SVM'ler duygu analizi, spam tespiti ve konu kategorizasyonu gibi metin sınıflandırma görevlerinde etkilidir. Belirli kelimelerin veya ifadelerin varlığına ve sıklığına dayalı olarak belgeleri sınıflandırabilirler.
  • Biyoinformatik: Biyoinformatikte DVM'ler protein sınıflandırması, gen ifadesi analizi ve gen ifadesi profillerine dayalı kanser sınıflandırması için kullanılır.
  • El Yazısı Tanıma: SVM'ler el yazısı karakterleri tanıyabilir, bu da onları el yazısı belgelerin dijitalleştirilmesi gibi uygulamalarda kullanışlı hale getirir.

Destek Vektör Makineleri ve Diğer Algoritmalar

DVM'ler güçlü olsa da, diğer makine öğrenimi (ML) algoritmalarıyla nasıl karşılaştırıldıklarını anlamak çok önemlidir:

  • SVM ve Lojistik Regresyon: Hem DVM'ler hem de lojistik regresyon sınıflandırma için kullanılır. Bununla birlikte, lojistik regresyon bir sonucun olasılığını modellerken, DVM'ler sınıfları ayırmak için en iyi hiper düzlemi bulur. DVM'ler genellikle net bir ayırma marjı olduğunda veya yüksek boyutlu verilerle uğraşırken tercih edilir.
  • SVM ve Sinir Ağları: Sinir ağları, özellikle de derin sinir ağları, karmaşık doğrusal olmayan ilişkileri modelleyebilir ancak büyük miktarda veri ve hesaplama kaynağı gerektirir. DVM'ler daha küçük veri kümeleri için daha verimlidir ve uygun şekilde ayarlandığında daha az aşırı uyum riski ile daha iyi genelleme sunar.
  • SVM vs. Rastgele Orman: Rastgele ormanlar, birden fazla karar ağacı oluşturan ve çıktılarını birleştiren topluluk yöntemleridir. Rastgele ormanlar doğrusal olmayan verilerle iyi başa çıkabilirken, uygun çekirdeklere sahip SVM'ler belirgin sınıf sınırları olan durumlarda daha iyi performans gösterebilir.

Sonuç

Destek Vektör Makineleri, makine öğrenimi araç setinde özellikle sınıflandırma görevleri için etkili olan sağlam ve çok yönlü bir araçtır. Yüksek boyutlu verileri işleme yetenekleri, çeşitli çekirdek işlevlerinin sunduğu esneklikle birleştiğinde, onları çok çeşitli uygulamalar için uygun hale getirir. DVM'lerin güçlü yönlerini ve sınırlamalarını anlamak, uygulayıcıların özel ihtiyaçları için doğru algoritmayı seçmelerine yardımcı olarak optimum performans ve sonuçlar elde etmelerini sağlayabilir. Makine öğrenimi algoritmaları ve uygulamaları hakkında daha fazla bilgiyi Ultralytics sözlük sayfasında bulabilirsiniz. Nesne algılama ve Ultralytics YOLO modellerinin evrimi hakkında bilgi edinmek için Nesne Algılama ve Ultralytics' YOLO Modellerinin Evrimi sayfasını ziyaret edin.

Tümünü okuyun