آلة المتجهات الداعمة (SVM)

آلة المتجهات الداعمة (SVM) هي خوارزمية تعلم خاضعة للإشراف قوية ومتعددة الاستخدامات تُستخدم في كل من مهام التصنيف والانحدار. في جوهرها، تجد SVM مستوى فائقًا أو حدود قرار مثالية تفصل نقاط البيانات بشكل أفضل إلى فئات مختلفة. ما يجعل SVM فعالة بشكل خاص هو هدفها المتمثل في زيادة الهامش إلى أقصى حد - المسافة بين المستوى الفائق الفاصل وأقرب نقاط البيانات لأي فئة. يساعد هذا المبدأ، المفصل في الورقة التأسيسية لـ Cortes و Vapnik، على تحسين قدرة التعميم للنموذج، مما يجعله أقل عرضة للتجاوز.

آلية عمل آلات المتجهات الداعمة (SVMs)

تعمل الخوارزمية عن طريق رسم كل عنصر بيانات كنقطة في فضاء ذي أبعاد n (حيث n هو عدد الميزات). ثم يتم إجراء التصنيف عن طريق إيجاد المستوى الفائق الذي يخلق أفضل فصل بين الفئات.

• المستوى الفائق (Hyperplane): هذا هو الحد الفاصل للقرار. في مجموعة بيانات ذات ميزتين، يكون خطًا؛ مع ثلاثة، يكون مستوى. لمزيد من الميزات، يصبح مستوى فائق.
• متجهات الدعم: هذه هي نقاط البيانات الأقرب إلى المستوى الفائق. إنها بالغة الأهمية لأنها تحدد الهامش، وإزالتها ستغير موضع المستوى الفائق. يمكن العثور على تصور ممتاز لمتجهات الدعم في ملاحظات محاضرة CS229 بجامعة ستانفورد.
• الهامش: الهامش هو الفجوة بين متجه الدعم والصفحة الفائقة. هدف SVM هو إيجاد الصفحة الفائقة التي تزيد هذا الهامش إلى أقصى حد، مما يخلق أقوى فصل ممكن.
• حيلة النواة: بالنسبة للبيانات غير القابلة للفصل خطيًا، تستخدم SVMs تقنية تسمى حيلة النواة. تتضمن هذه الطريقة القوية تحويل البيانات إلى مساحة ذات أبعاد أعلى حيث يمكن العثور على فاصل خطي دون حساب إحداثيات البيانات في تلك المساحة الجديدة بشكل صريح. يمكن للنواة الشائعة مثل دالة الأساس الشعاعي (RBF) التعامل مع العلاقات المعقدة وغير الخطية للغاية. يمكنك استكشاف دليل لنواة SVM لمزيد من التفاصيل.

تطبيقات واقعية

تعتبر آلات متجه الدعم (SVM) فعالة في العديد من المجالات، وخاصة للمشاكل التي تحتوي على بيانات عالية الأبعاد.

• المعلوماتية الحيوية (Bioinformatics): في علم الجينوم وعلم البروتينات، تُستخدم SVMs لتصنيف البروتينات وتحليل بيانات التعبير الجيني. على سبيل المثال، يمكنهم المساعدة في تحديد الأنواع الفرعية من السرطان (identifying cancer subtypes) بناءً على بيانات المصفوفات الدقيقة، وهي مهمة تتضمن آلاف الميزات. وهذا يجعلها أداة حيوية في الذكاء الاصطناعي للرعاية الصحية (AI for healthcare).
• تصنيف الصور: قبل هيمنة الشبكات العصبية العميقة، كانت SVMs نموذجًا عالي الأداء لـ تصنيف الصور. لقد تم استخدامها بنجاح في مهام مثل التعرف على الأرقام المكتوبة بخط اليد على مجموعات البيانات مثل MNIST والتعرف على الكائنات على Caltech-101.
• تصنيف النصوص: في معالجة اللغة الطبيعية (NLP)، تعتبر آلات SVM فعالة لمهام مثل الكشف عن البريد العشوائي و تحليل المشاعر. يمكنهم إدارة مساحات الميزات عالية الأبعاد التي تم إنشاؤها بواسطة طرق تحويل النص إلى متجهات بكفاءة.

مقارنة SVM بالخوارزميات الأخرى

بالمقارنة مع الخوارزميات الأبسط مثل الانحدار اللوجستي، تهدف آلات SVM إلى زيادة الهامش بدلاً من مجرد إيجاد حد فاصل، مما قد يؤدي إلى تعميم أفضل. على عكس الطرق القائمة على الأشجار مثل أشجار القرار أو الغابات العشوائية، تقوم آلات SVM بإنشاء مستوى فائق مثالي واحد (ربما في فضاء عالي الأبعاد). في حين أن نماذج التعلم العميق الحديثة مثل Ultralytics YOLO تتفوق في استخلاص الميزات التلقائي من البيانات الأولية (مثل وحدات البكسل في رؤية الكمبيوتر (CV))، غالبًا ما تتطلب آلات SVM هندسة ميزات دقيقة ولكن يمكن أن تعمل بشكل جيد للغاية على مجموعات البيانات الأصغر أو أنواع معينة من البيانات المنظمة حيث تكون الميزات محددة جيدًا. يمكنك العثور على العديد من مجموعات البيانات هذه في مستودع UCI Machine Learning.

تشمل التطبيقات الشائعة LibSVM ووحدة SVM في scikit-learn. على الرغم من أن SVM ليس عادةً جوهر أطر CV الحديثة مثل PyTorch أو TensorFlow، إلا أنه يمكن دمجه في سير العمل الأوسع. يمكن تبسيط تدريب وإدارة هذه النماذج، جنبًا إلى جنب مع نماذج أخرى مختلفة، باستخدام منصات مثل Ultralytics HUB، مما يبسط دورة حياة MLOps من تسمية البيانات إلى ضبط المعلمات الفائقة و نشر النموذج النهائي.