Destek Vektör Makinesi (SVM)

Destek Vektör Makinesi (SVM), hem sınıflandırma hem de regresyon görevleri için kullanılan güçlü ve çok yönlü bir denetimli öğrenme algoritmasıdır. Temelinde, bir SVM, veri noktalarını farklı sınıflara en iyi şekilde ayıran optimal bir hiper düzlem veya karar sınırı bulur. SVM'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 tarafından yazılan temel makalede ayrıntılı olarak açıklanan bu ilke, modelin genelleme yeteneğini geliştirmeye yardımcı olur ve aşırı öğrenmeye daha az eğilimli hale getirir.

SVM'ler Nasıl Çalışır

Algoritma, her 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 düzlemi bularak gerçekleştirilir.

• Hiperdüzlem (Hyperplane): Bu, karar sınırıdır. İki özellikli bir veri kümesinde bir çizgidir; üç özellikli bir veri kümesinde bir düzlemdir. Daha fazla özellik için bir hiperdüzlem olur.
• Destek Vektörleri: Bunlar, hiper düzleme en yakın olan veri noktalarıdır. Marjı tanımladıkları için kritiktirler ve bunların kaldırılması hiper düzlemin konumunu değiştirir. Destek vektörlerinin mükemmel bir görselleştirmesi Stanford'ın CS229 ders notlarında bulunabilir.
• Marjin: Marjin, destek vektörleri ve hiper düzlem arasındaki boşluktur. SVM'nin amacı, bu marjini en üst düzeye çıkaran, mümkün olan en sağlam ayrımı yaratan hiper düzlemi bulmaktır.
• Çekirdek Hilesi (Kernel Trick): Doğrusal olarak ayrılabilir olmayan veriler için, SVM'ler çekirdek hilesi adı verilen bir teknik kullanır. Bu güçlü yöntem, verileri, o yeni uzaydaki verilerin koordinatlarını açıkça hesaplamadan doğrusal bir ayırıcının bulunabileceği daha yüksek boyutlu bir uzaya dönüştürmeyi içerir. Radyal Taban Fonksiyonu (RBF) gibi popüler çekirdekler, çok karmaşık, doğrusal olmayan ilişkileri işleyebilir. Daha fazla ayrıntı için SVM çekirdekleri kılavuzuna göz atabilirsiniz.

Gerçek Dünya Uygulamaları

SVM'ler birçok alanda, özellikle yüksek boyutlu veriye sahip problemler için etkilidir.

• Biyoenformatik (Bioinformatics): Genomik ve proteomikte, SVM'ler proteinleri sınıflandırmak ve gen ifade verilerini analiz etmek için kullanılır. Örneğin, mikroarray verilerine dayanarak kanser alt tiplerini belirlemeye yardımcı olabilirler; bu, binlerce özellik içeren bir görevdir. Bu, onları sağlık hizmetleri için yapay zekada hayati bir araç haline getirir.
• Görüntü Sınıflandırması: Derin sinir ağlarının baskınlığından önce, SVM'ler görüntü sınıflandırması için en iyi performans gösteren bir modeldi. MNIST gibi veri kümelerinde el yazısı rakam tanıma ve Caltech-101 üzerinde nesne tanıma gibi görevler için başarıyla kullanılmıştır.
• Metin Sınıflandırması: Doğal Dil İşleme'de (DDİ) SVM'ler, spam algılama ve duygu analizi gibi görevler için etkilidir. Metin vektörleştirme yöntemleriyle oluşturulan yüksek boyutlu özellik uzaylarını verimli bir şekilde yönetebilirler.

SVM'ler ve Diğer Algoritmalar

Lojistik Regresyon gibi daha basit algoritmalara kıyasla, SVM'ler sadece bir ayırıcı sınır bulmak yerine marjı maksimize etmeyi amaçlar, bu da daha iyi genellemeye yol açabilir. Karar Ağaçları veya Rastgele Ormanlar gibi ağaç tabanlı yöntemlerin aksine, SVM'ler tek bir optimal hiper düzlem oluşturur (muhtemelen yüksek boyutlu bir uzayda). Ultralytics YOLO gibi modern derin öğrenme modelleri ham verilerden (örneğin bilgisayarlı görü (CV)'deki pikseller) otomatik özellik çıkarımında mükemmel olsa da, SVM'ler genellikle dikkatli özellik mühendisliği gerektirir, ancak özelliklerin iyi tanımlandığı daha küçük veri kümelerinde veya belirli yapılandırılmış veri türlerinde olağanüstü iyi performans gösterebilir. Bu tür birçok veri kümesini UCI Makine Öğrenimi Deposu'nda bulabilirsiniz.

Popüler uygulamalar arasında LibSVM ve scikit-learn'deki SVM modülü bulunur. SVM tipik olarak PyTorch veya TensorFlow gibi modern CV çerçevelerinin özü olmasa da, daha geniş iş akışlarına entegre edilebilir. Bu tür modellerin ve diğer çeşitli modellerin eğitimi ve yönetimi, veri etiketlemeden hiperparametre ayarlamaya ve nihai model dağıtımına kadar MLOps yaşam döngüsünü basitleştiren Ultralytics HUB gibi platformlar kullanılarak kolaylaştırılabilir.