Destek Vektör Makinesi (SVM)
Diğer adları: Support Vector Machine, SVM, Destek Vektör Sınıflandırıcı
Kısa Tanım
Destek vektör makinesi, sınıflar arasındaki maksimum marjinli (maximum margin) ayırıcı hiper-düzlemi bulan denetimli bir öğrenme algoritmasıdır. Çekirdek hilesi (kernel trick) sayesinde doğrusal olarak ayrılamayan verileri yüksek boyutlu bir uzaya örtük biçimde eşleyerek doğrusal olmayan karar sınırları oluşturabilir.
Teknik Mantık
Optimizasyon problemi, min (1/2)||w||² + C Σ ξi biçiminde formüle edilir; burada C düzenlileştirme parametresi, ξi ise gevşek değişkenlerdir (slack variables). Dual formülasyonda çekirdek fonksiyonu K(xi, xj) iç çarpımın yerine geçer. Yaygın çekirdekler: doğrusal, polinom, RBF (radyal tabanlı fonksiyon) ve sigmoid. Destek vektörleri yalnızca marjin sınırına yakın örneklerden oluşur; bu sayede model seyrek (sparse) bir temsil kullanır.
Kullanım Bağlamı
Orta ölçekli veri setlerinde, özellikle öznitelik sayısının örnek sayısından büyük olduğu durumlarda (p >> n) etkilidir. Spektral veri analizi, metin sınıflandırma ve biyomedikal uygulamalarda sıklıkla tercih edilir. Büyük veri setlerinde eğitim süresi O(n²)-O(n³) olduğundan ölçeklenebilirlik sınırlıdır.
Tarımsal Bağlam
SVM, hiperspektral görüntülerden ürün türü sınıflandırması, NIR spektroskopisi ile toprak organik madde tahmini ve yaprak hastalık tespitinde kullanılır. Özellikle etiketli veri miktarının sınırlı olduğu tarımsal senaryolarda, az sayıda destek vektörü ile genelleme kapasitesi yüksek modeller üretebilmesi önemli bir avantajdır.
Sık Karıştırılan Nokta
SVM'in çok sınıflı (multi-class) problemlerde doğrudan çalıştığı varsayılır, ancak temel formülasyon ikili sınıflandırmaya yöneliktir. Çok sınıflı uzantılar OvR (one-vs-rest) veya OvO (one-vs-one) stratejileriyle sağlanır ve bu stratejilerin performans farkları göz ardı edilmemelidir.
Dr. Mehmet Solak — Siirt Üniversitesi, Biyosistem Mühendisliği