آلة المتجهات الداعمة
Support Vector Machine (SVM)
التعريف
يبحث عن الحد الفاصل بين الفئات الذي يملك أكبر هامش Margin ممكن عن أقرب الأمثلة (المتجهات الداعمة).
الفكرة الأساسية
الهامش الواسع يعني تعميماً أفضل. ومع حيلة النواة Kernel Trick (مثل RBF) يمكنه رسم حدود غير خطية دون حساب الخصائص الجديدة صراحة.
آلية العمل
- نطبّع الخصائص
- نختار النواة: خطية أو RBF أو متعددة الحدود
- نحل مسألة تحسين تعظّم الهامش مع السماح ببعض الأخطاء (C)
- الأمثلة على الهامش هي المتجهات الداعمة التي تحدد النموذج
نوع البيانات ونوع المشكلة
| نوع البيانات | جدولية رقمية مطبّعة؛ وتمثيلات النصوص |
|---|---|
| نوع المشكلة | تصنيف وانحدار (SVR) |
المزايا
- أداء قوي على البيانات المتوسطة الحجم والأبعاد الكثيرة
- مرن بفضل النوى
القيود
- بطيء مع البيانات الكبيرة جداً
- حساس لاختيار C وgamma
- لا يعطي احتمالات مباشرة
المعاملات المهمة
- C
- نوع النواة kernel
- gamma لنواة RBF
مقاييس التقييم
- Accuracy الدقة
- Precision وRecall
- F1-score
- Confusion Matrix مصفوفة الالتباس
- ROC AUC للتصنيف الثنائي
الأدوات التي تدعمها
| Orange | SVM |
|---|---|
| KNIME | SVM Learner + SVM Predictor |
| WEKA | functions.SMO |
أمثلة تطبيقية
- تصنيف أورام الثدي (تعليمياً)
- تصنيف النصوص
- التعرف على الأرقام
