Support Vector Machine (SVM)

آملات عم المتجهات (SVM) هي خوارزمية تعلم خاضع للإشراف قوية ومتعددة الاستخدامات وتستخدم على نطاق واسع في مهام التصنيف والانحدار. على عكس العديد من الخوارزميات التي تهدف ببساطة إلى تقليل أخطاء التدريب، تركز خوارزمية SVM على العثور على الحد الأمثل - والذي يسمى المستوي الفائق (hyperplane) - الذي يفصل بشكل أفضل نقاط البيانات إلى فئات مميزة. 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 الم دیده، مما يقلل بشكل فعال من خطر فرط التخصيص مقارنة بالطرق أبسط مثل الإنحدار الخطي القياسي.

الآليات 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 المركزي هو تحديد مستوى مسطح (أو مستوي فائق في الأبعاد الأعلى) يقسم مساحة الإدخال. في مجموعة بيانات ثنائية الأبعاد بسيطة، يظهر هذا كخط؛ في 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.
• متجهات الدعم: هذه هي نقاط البيانات الحرجة التي تقع أقرب إلى حد القرار. تُسمى "متجهات الدعم" لأنها تدعم بفعالية أو تحدد موضع واتجاه المستوي الفائق. غالبًا ما يكون تعديل أو إزالة نقاط البيانات الأخرى بلا تأثير على النموذج، لكن نقل متجه دعم يغير الحد بشكل كبير. هذا المفهوم مركزي لكفاءة خوارزميات SVM، كما هو مفصل في دليل Scikit-learn SVM.
• خدعة النواة: بيانات العالم الحقيقي، مثل مجموعات بيانات معالجة اللغات الطبيعية (NLP) المعقدة، نادراً ما تكون قابلة للفصل خطياً. تعالج خوارزميات SVM هذا القيد باستخدام تقنية تسمى "خدعة النواة"، والتي تعرض البيانات في مساحة أبعاد أعلى حيث يمكن لفصل خطي أن يقسم الفئات بفعالية. تشمل النواة الشائعة وظيفة الأساس الشعاعي (RBF) والنواة متعددة الحدود، مما يسمح للنموذج بالتقاط علاقات معقدة وغير خطية.

SVM مقابل الخوارزميات ذات الصلة#

يساعد التمييز بين خوارزميات SVM وتقنيات التعلم الآلي الأخرى الممارسين على اختيار الأداة الصحيحة لمشاريع النمذجة التنبؤية الخاصة بهم.

• الانحدار اللوجستي: كلاهما مصنفان خطيان، لكن أهداف تحسينهما تختلف بشكل كبير. الانحدار اللوجستي احتمالي، حيث يزيد من احتمالية البيانات المرصودة، بينما SVM هندسي، حيث يزيد من الهامش بين الفئات. تميل خوارزميات SVM إلى الأداء بشكل أفضل على الفئات المفصولة جيداً، بينما يوفر الانحدار اللوجستي مخرجات احتمالية معايرة.
• الجيران القريبون K (KNN): يعتبر KNN متعلمًا غير معلمي وقائمًا على المثيل يصنف نقطة بناءً على فئة الأغلبية لجيرانها. في المقابل، SVM هو نموذج معلمي يتعلم حدًا عامًا. توفر خوارزميات SVM عمومًا زمن استجابة الاستدلال أسرع بمجرد تدريبها لأنها لا تحتاج إلى تخزين والبحث في مجموعة البيانات بأكملها وقت التشغيل.
• أشجار القرار: تقسم شجرة القرار مساحة البيانات إلى مناطق مستطيلة باستخدام قواعد هرمية. يمكن لـ SVM إنشاء حدود قرار معقدة ومنحنية عبر النواة، والتي قد تواجه أشجار القرار صعوبة في تقريبها دون أن تصبح عميقة بشكل مفرط وعرضة لفرط التخصيص.
• التعلم العميق الحديث (مثل YOLO26): تعتمد خوارزميات SVM عادةً على هندسة الميزات اليدوية، حيث يختار الخبراء المدخلات ذات الصلة. تتفوق النموذج المتقدمة مثل Ultralytics YOLO26 في استخراج الميزات التلقائي مباشرة من الصور الخام، مما يجعلها متفوقة بكثير في مهام الإدراك المعقدة مثل اكتشاف الكائنات في الوقت الفعلي وتجزئة المثيلات.

تطبيقات 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 خوارزميات SVM على نطاق واسع لـ التنبؤ ببنية البروتينات 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 خوارزميات SVM في إدارة الأبعاد العالية لمتجهات النصوص. يمكنها تصنيف رسائل البريد الإلكتروني بفعالية على أنها "بريد عشوائي" أو "ليس بريدًا عشوائيًا" وتصنيف المقالات الإخبارية حسب الموضوع بدقة عالية.

مثال على التنفيذ#

بينما غالبًا ما تستخدم مهام رؤية الكمبيوتر الحديثة نماذج شاملة مثل Ultralytics YOLO26، فإن خوارزميات SVM لا تزال 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 باستخدام مكتبة scikit-learn الشائعة 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}")

لفرق العمل التي تتطلع إلى إدارة مجموعات بيانات أكبر أو تدريب نماذج تعلم عميق يمكنها استبدال أو تعزيز سير عمل SVM، توفر منصة Ultralytics أدوات لتنقيح البيانات ونشر النماذج بسلاسة. يمكن للمهتمين بالأسس الرياضية الرجوع إلى الورقة الأصلية بقلم Cortes and Vapnik (1995)، والتي تفصل تحسين الهامش اللين الذي يسمح لـ SVM بالتعامل مع البيانات الصاخبة في العالم الحقيقي بفعالية.