آلة المتجهات الداعمة (Support Vector Machines)

 SVM هي خوارزمية تعلم تستخدم بشدة في تعلم الالة وتستعمل في بشكل اساسي في عمليات التصنيف التصنيف.

SVM مبنية على فكرة إيجاد مستوي hyperplane والذي يقوم بتقسيم البيانات الى عدة اجزاء منفصلة بحيث يمثل كل جزء منهم class او تصنيف معين من البيانات.وتعتبر أقرب نقطتين للمستوي الفائق الذي تقوم برسمه ال SVM هي المتجهات الداعمة او support vector كما هو موضح في الصورة التالية:

المتجهات الداعمة أو support vector

المتجهات الداعمة هي النقاط  الأقرب للمستوي الفائق hyperplane وهي النقاط التي اذا قمنا بإزالتها من البيانات ستغير من موقع المستوي الفائق والذي سيغير من شكل البيانات المفصولة.  لذلك يمكن اعتبار هذه النقاط أنها العناصر الاهم في البيانات.

تحديد المستوي الفائق الانسب:

نقوم بتحديد المستوى الفائق الانسب عن طريق اختيار اكثر مستوى نستطيع ان نقسم به البيانات بشكل سليم. ويكون ذلك عن طريق اختيار مستوى يجعل المسافة بينه وبين أقرب نقطة في كل مجوعة من البيانات اكبر ما يمكن. تسمي المسافة بين المستوي الفائق و أقرب نقطة من كل مجموعات البيانات بالهامش (margin). والهدف من هذا هو زيادة احتمالية التصنيف الصحيح للبيانات الجديدة. أنظر الي الشكل التالي للتوضيح.

إيجابيات و سلبيات آلة المتجهات الداعمة

الإيجابيات

• الدقة والنتائج المرتفعة
• تعمل جيداً على مجموعات البيانات الصغيرة.
• تظل فعالة في الحالات التي يكون فيها عدد الأبعاد أكبر من عدد العينات.

السلبيات

• لا تصلح لمجموعات البيانات الكبيرة حيث أن المدة اللازمة لتدريبها عالية
• تعتبر أقل فعّالية مع البيانات الأكثر غير المفصولة جيدا والتي يكون فيها تداخلا بين ال classes.

تستعمل SVM في

• مهام تصنيف النصوص مثل تصنيف المواضيع وتمييز الرسائل المزعجة وتحليل المشاعر
•  تستعمل في التعرف على الصور.
• تستعمل في مجالات تمييز الأرقام المكتوبة يدوياً.