Support Vector Machines (SVM) maşın öyrənməsi sahəsində çox güclü və populyar bir alqoritmadır. SVM, xüsusilə klassifikasiya məsələlərində effektivdir, lakin eyni zamanda regreasiya problemlərində də istifadə edilə bilər. Bu alqoritm, verilənlər üzərindəki xətti və qeyri-xətti sərhədləri tapmağa çalışır və bu sərhədləri istifadə edərək verilənləri müxtəlif siniflərə ayırır.
Əsas Prinsiplər və İşləmə Qaydası
SVM, verilənlərdəki ən yaxşı ayırıcı sərhədi (hiperplanı) tapmağa çalışır. Bu hiperplan, verilənləri siniflərə ayırmaq üçün ən geniş mümkün marjinə malik olan bir xəttdir. “Marjin” termini, iki sinif arasındakı ən yaxın nöqtələr arasındakı məsafəni ifadə edir. SVM-nin əsas məqsədi bu marjini maksimuma çatdırmaqdır.
- Xətti SVM:
- Əgər verilənlər xətti olaraq ayırıla bilirsə (yəni, verilənlər birbaşa xətt üzrə siniflərə ayrılırsa), xətti SVM istifadə edilir.
- Həmin halda, SVM bir düz xətt (2D) və ya hiperplan (daha yüksək ölçülü verilənlər üçün) taparaq verilənləri ayırır.
- Qeyri-Xətti SVM:
- Əgər verilənlər xətti olaraq ayırıla bilmirsə, SVM, verilənləri daha yüksək ölçülü məkanlara transformasiya edərək (kernellər vasitəsilə) xətti ayırıcı tapmağa çalışır. Bu proses, qeyri-xətti sərhədlərin xətti şəkildə ayrılmasını təmin edir.
- Kernel trick istifadə edərək verilənləri daha yüksək ölçülü məkanlara gətirir və burada xətti ayırıcı tapır. Populyar kernel funksiyalarına Polynomial Kernel, Radial Basis Function (RBF) Kernel, və Sigmoid Kernel daxildir.
Kernel Functions:
- Linear Kernel: Verilənlər artıq xətti olaraq ayrılırsa, sadə xətti kernel istifadə edilir.
- Polynomial Kernel: Bu kernel verilənlərdə çoxsaylı qeyri-xətti əlaqələri nəzərə alır və polinom funksiyaları ilə verilənləri transformasiya edir.
- Radial Basis Function (RBF) Kernel: Bu kernel, verilənləri daha yüksək ölçülü məkanlara daşıyaraq siniflər arasındakı qeyri-xətti əlaqələri tapmağa imkan verir. RBF kernel çox yaygın və effektivdir.
SVM-nin Üstünlükləri:
- Yüksək Performans: Xüsusilə yüksək ölçülü verilənlərdə və qeyri-xətti verilənlərdə yüksək təsirli olur.
- Overfitting-ə qarşı dözümlü: Marjini maksimuma çatdırmaqla modelin overfitting etməsi riski azaldılır.
- Çoxsaylı tətbiq sahələri: Klassifikasiya, regreasiya, anomaliya aşkarlanması və daha çox sahədə istifadə edilə bilər.
SVM-in Dezavantajları:
- Hesablama tələbləri: Xüsusilə böyük verilənlər üzərində işləyərkən hesablama xərcləri yüksək ola bilər.
- Kernel seçimi: Düzgün kernel seçimi çox vacibdir. Kernel düzgün seçilmədikdə, modelin performansı zəifləyə bilər.
- Qeyri-xətti verilənlərdə yüksək ölçülər: Verilənlərin ölçüləri çox böyük olduqda, SVM-nin effektivliyi azala bilər.
Tətbiq Sahələri:
- Təsnifat (Classification): SVM, spamsız e-poçtların seçilməsi, şəkil tanıma, üz tanıma və tibbi diaqnostika kimi klassifikasiya məsələlərində geniş istifadə olunur.
- Regresiya (Regression): SVM, qiymət təhlili və bazar proqnozları kimi regreasiya məsələlərində də istifadə edilə bilər.
- Anomaliya Aşkarlanması: SVM, qeyri-adi nümunələri aşkar etmək üçün istifadə edilə bilər, məsələn, kredit fırıldaqları və ya tibbi test nəticələrindəki anomaliyaların tapılması.
SVM, müxtəlif verilənlər növləri və mürəkkəblikləri ilə işləyən güclü və çox yönlü bir alqoritmdır. Onun tətbiq sahələri və performansı sahə üzrə daha da inkişaf edir və SVM, müasir maşın öyrənmə tətbiqlərində əhəmiyyətli yer tutur.
