Gerçek dünya uygulamaları ve içgörülerle sınıflandırma, regresyon ve aykırı değer tespiti için Destek Vektör Makinelerinin (DVM'ler) gücünü keşfedin.
Destek Vektör Makinesi (DVM) hem sınıflandırma hem de regresyon görevleri için kullanılan güçlü ve çok yönlü bir denetimli öğrenme algoritmasıdır. DVM özünde, veri noktalarını farklı sınıflara en iyi şekilde ayıran optimum bir hiper düzlem veya karar sınırı bulur. DVM'yi özellikle etkili kılan şey, ayırıcı hiper düzlem ile herhangi bir sınıfın en yakın veri noktaları arasındaki mesafe olan marjı maksimize etme hedefidir. Cortes ve Vapnik'in temel makalesinde ayrıntılı olarak açıklanan bu ilke, modelin genelleme yeteneğini geliştirmeye yardımcı olarak aşırı uyuma daha az eğilimli olmasını sağlar.
Algoritma, her bir veri öğesini n boyutlu bir uzayda (burada n özellik sayısıdır) bir nokta olarak çizerek çalışır. Sınıflandırma daha sonra sınıflar arasında en iyi ayrımı yaratan hiper düzlemin bulunmasıyla gerçekleştirilir.
DVM'ler, özellikle yüksek boyutlu verilere sahip problemler için birçok alanda etkilidir.
Lojistik Regresyon gibi daha basit algoritmalarla karşılaştırıldığında, DVM'ler sadece ayırıcı bir sınır bulmak yerine marjı maksimize etmeyi amaçlar, bu da daha iyi genellemeye yol açabilir. Karar Ağaçları veya Rastgele Ormanlar gibi ağaç tabanlı yöntemlerin aksine DVM'ler tek bir optimum hiper düzlem oluşturur (muhtemelen yüksek boyutlu bir uzayda). Ultralytics YOLO gibi modern derin öğrenme modelleri ham verilerden ( bilgisayarla görmede (CV) pikseller gibi) otomatik özellik çıkarma konusunda mükemmel olsa da, DVM'ler genellikle dikkatli özellik mühendisliği gerektirir, ancak daha küçük veri kümelerinde veya özelliklerin iyi tanımlandığı belirli yapılandırılmış veri türlerinde olağanüstü iyi performans gösterebilir. UCI Machine Learning Repository'de bu tür birçok veri kümesi bulabilirsiniz.
Popüler uygulamalar arasında LibSVM ve scikit-learn'deki SVM modülü bulunmaktadır. SVM tipik olarak PyTorch veya TensorFlow gibi modern CV çerçevelerinin çekirdeği olmasa da, daha geniş iş akışlarına entegre edilebilir. Bu tür modellerin eğitimi ve yönetimi, diğer çeşitli modellerle birlikte, veri etiketlemeden hiperparametre ayarlamaya ve son model dağıtımına kadar MLOps yaşam döngüsünü basitleştiren Ultralytics HUB gibi platformlar kullanılarak kolaylaştırılabilir.