Support Vector Machine (SVM)

آلة ناقلات الدعم (SVM) هي خوارزمية تعلم خاضع للإشراف قوية ومتعددة الاستخدامات تُستخدم على نطاق واسع في تحديات التصنيف والانحدار. وعلى عكس العديد من الخوارزميات التي تهدف ببساطة إلى تقليل أخطاء التدريب، تركز SVM على إيجاد الحد الأمثل—الذي يُسمى المستوي الفائق—الذي يفصل بين نقاط البيانات إلى فئات متميزة بأفضل شكل. الهدف الأساسي هو تعظيم الهامش، وهو المسافة بين حد القرار هذا وأقرب نقاط البيانات من كل فئة. من خلال إعطاء الأولوية لأوسع فصل ممكن، يحقق النموذج تعميماً أفضل على البيانات الجديدة غير المرئية، مما يقلل بشكل فعال من خطر الفرط في التخصيص مقارنة بالطرق الأبسط مثل الانحدار الخطي القياسي.

Link to this sectionالآليات والمفاهيم الأساسية#

لفهم كيفية عمل SVM، من المفيد تصور البيانات وهي مرسومة في فضاء متعدد الأبعاد حيث يمثل كل بُعد ميزة محددة. تتنقل الخوارزمية في هذا الفضاء لاكتشاف أكثر طرق الفصل فعالية بين المجموعات.

• المستوي الفائق الأمثل: الهدف الرئيسي هو تحديد مستوى مسطح (أو مستوي فائق في الأبعاد الأعلى) يقسم فضاء الإدخال. في مجموعة بيانات ثنائية الأبعاد بسيطة، يظهر هذا كخط؛ وفي الأبعاد الثلاثية، يصبح سطحاً مسطحاً. المستوي الفائق الأمثل هو الذي يحافظ على أقصى مسافة ممكنة من أقرب نقاط البيانات لأي فئة، مما يضمن تمييزاً واضحاً.
• ناقلات الدعم: هذه هي نقاط البيانات الحاسمة التي تقع أقرب إلى حد القرار. تُسمى "ناقلات الدعم" لأنها تدعم أو تحدد بشكل فعال موقع واتجاه المستوي الفائق. غالباً ما لا يكون لتعديل أو إزالة نقاط البيانات الأخرى أي تأثير على النموذج، لكن تحريك ناقل دعم يؤدي إلى تغيير الحد بشكل كبير. هذا المفهوم أساسي لكفاءة SVM، كما هو مفصل في دليل SVM الخاص بـ Scikit-learn.
• خدعة النواة: نادراً ما تكون بيانات العالم الحقيقي، مثل مجموعات بيانات معالجة اللغات الطبيعية (NLP) المعقدة، قابلة للفصل خطياً. تعالج SVM هذا القيد باستخدام تقنية تسمى "خدعة النواة"، التي تسقط البيانات في فضاء ذي أبعاد أعلى حيث يمكن لفاصل خطي تقسيم الفئات بفعالية. تشمل النوى الشائعة دالة الأساس الشعاعي (RBF) والنوى متعددة الحدود، مما يسمح للنموذج بالتقاط علاقات معقدة وغير خطية.

Link to this sectionSVM مقابل الخوارزميات ذات الصلة#

يساعد تمييز SVM عن تقنيات التعلم الآلي الأخرى الممارسين في اختيار الأداة الصحيحة لمشاريع النمذجة التنبؤية الخاصة بهم.

• الانحدار اللوجستي: كلاهما مصنفات خطية، لكن أهداف تحسينهما تختلف اختلافاً كبيراً. الانحدار اللوجستي احتمالي، حيث يعمل على تعظيم احتمالية البيانات الملاحظة، بينما SVM هندسي، حيث يعمل على تعظيم الهامش بين الفئات. تميل SVM إلى الأداء بشكل أفضل مع الفئات المفصولة جيداً، بينما يوفر الانحدار اللوجستي مخرجات احتمالية معايرة.
• خوارزمية الجيران الأقرب (KNN): KNN هي متعلم غير بارامتري قائم على المثيلات يصنف النقطة بناءً على فئة الأغلبية لجيرانها. في المقابل، SVM نموذج بارامتري يتعلم حداً عالمياً. توفر SVM عموماً زمن وصول للاستدلال أسرع بمجرد تدريبها لأنها لا تحتاج إلى تخزين والبحث في كامل مجموعة البيانات في وقت التشغيل.
• أشجار القرار: تقسم شجرة القرار فضاء البيانات إلى مناطق مستطيلة باستخدام قواعد هرمية. يمكن لـ SVM إنشاء حدود قرار معقدة ومنحنية عبر النوى، وهو ما قد تجد أشجار القرار صعوبة في تقريبه دون أن تصبح عميقة جداً وعرضة للفرط في التخصيص.
• التعلم العميق الحديث (مثل YOLO26): تعتمد SVM عادةً على هندسة الميزات اليدوية، حيث يختار الخبراء المدخلات ذات الصلة. تتفوق النماذج المتقدمة مثل Ultralytics YOLO26 في استخراج الميزات التلقائي مباشرة من الصور الخام، مما يجعلها متفوقة بكثير في مهام الإدراك المعقدة مثل اكتشاف الكائنات وتجزئة المثيلات في الوقت الفعلي.

Link to this sectionتطبيقات العالم الحقيقي#

لا تزال آلات ناقلات الدعم ذات أهمية كبيرة في العديد من الصناعات نظراً لدقتها وقدرتها على التعامل مع البيانات عالية الأبعاد.

• المعلوماتية الحيوية: تُستخدم SVM على نطاق واسع لـ تنبؤ هيكل البروتين وتصنيف الجينات. من خلال تحليل التسلسلات البيولوجية المعقدة، يمكن للباحثين تحديد الأنماط المتعلقة بأمراض معينة، مما يساعد في التشخيص المبكر والطب الشخصي.
• تصنيف النصوص: في مجال تلخيص النصوص وتصفية البريد العشوائي، تتفوق SVM في إدارة الأبعاد العالية لمتجهات النصوص. يمكنها تصنيف رسائل البريد الإلكتروني بفعالية كـ "بريد عشوائي" أو "غير عشوائي" وتصنيف المقالات الإخبارية حسب الموضوع بدقة عالية.

Link to this sectionمثال على التنفيذ#

بينما تستخدم مهام الرؤية الحاسوبية الحديثة غالباً نماذج شاملة (end-to-end) مثل Ultralytics YOLO26، لا تزال SVM قوية لتصنيف الميزات المستخرجة من هذه النماذج. على سبيل المثال، يمكن للمرء استخدام نموذج YOLO لاكتشاف الكائنات واستخراج ميزاتها، ثم تدريب SVM لتصنيف متجهات الميزات المحددة تلك لمهمة متخصصة.

فيما يلي مثال موجز يستخدم مكتبة scikit-learn الشهيرة لتدريب مصنف بسيط على بيانات اصطناعية.

from sklearn import svm
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# Generate synthetic classification data
X, y = make_classification(n_features=4, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)

# Initialize and train the Support Vector Classifier
clf = svm.SVC(kernel="linear", C=1.0)
clf.fit(X_train, y_train)

# Display the accuracy on the test set
print(f"Accuracy: {clf.score(X_test, y_test):.2f}")

بالنسبة للفرق التي تتطلع إلى إدارة مجموعات بيانات أكبر أو تدريب نماذج تعلم عميق يمكنها استبدال أو تعزيز سير عمل SVM، توفر منصة Ultralytics أدوات لـ توسيم البيانات ونشر النماذج بسلاسة. يمكن للمهتمين بالأسس الرياضية الرجوع إلى الورقة البحثية الأصلية لـ Cortes و Vapnik (1995)، التي تشرح بالتفصيل تحسين الهامش المرن الذي يسمح لـ SVM بالتعامل مع بيانات العالم الحقيقي المزعجة بفعالية.