Bayesçi Destek Vektör Makinesi
Bayesian Support Vector Machine (Bayesian SVM) · Ayrıca şöyle bilinir: Bayesian SVM, probabilistic SVM, Bayesian kernel machine, BSVM
Bayesçi Destek Vektör Makinesi (SVM), standart bir SVM'nin ağırlık vektörü üzerine bir önsel dağılım yerleştirir ve tam bir ardıl dağılım türeterek kalibre edilmiş belirsizlik tahminleri, otomatik hiperparametre seçimi ve olasılıksal tahminler sağlar. SVM'lerin güçlü marj tabanlı geometrik sezgisini, Bayesçi çıkarımın prensipli belirsizlik nicelemesiyle birleştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Kalibre edilmiş olasılık tahminlerine bir marj sınıflandırıcı ile birlikte ihtiyaç duyduğunuzda, veri kümesi küçük ila orta büyüklükte olduğunda ve uygun bir önsel etkili bir şekilde düzenleyebildiğinde veya çapraz doğrulama yoluyla hiperparametre seçimi çok pahalı olduğunda Bayesçi SVM kullanın. Özellikle tahmin belirsizliğini ifade etmenin önemli olduğu tıbbi, hukuki veya güvenlik açısından kritik alanlarda uygundur. Veri kümesi çok büyük olduğunda (n > 100 000) kullanmayın, çünkü MCMC örneklemesi kötü ölçeklenir; bunun yerine Platt ölçeklemesi olan standart SVM'yi veya bir Gauss süreç sınıflandırıcısını tercih edin. Bireysel özelliklerin yorumlanabilirliğinin birincil hedef olduğu durumlarda kaçının — düzenlileştirme önseli olan bir lojistik regresyonun iletilmesi daha kolaydır.
Güçlü yönler & sınırlılıklar
- Post-hoc Platt ölçekleme adımı olmadan kalibre edilmiş sınıf olasılıkları üretir.
- Önsel ve marjinal olabilirlik aracılığıyla düzenlileştirme ve çekirdek hiperparametrelerini verilerden otomatik olarak seçer.
- İyi tanımlanmış bir önselin güçlü bir düzenlileştirici olarak davrandığı küçük etiketli veri kümelerinde iyi çalışır.
- Ardıl tahminci varyansının en yüksek olduğu noktaları sorgulayarak aktif öğrenmeye doğal olarak genişler.
- Marj tabanlı sınıflandırıcıların güçlü genelleme yeteneğini miras alırken, prensipli belirsizlik nicelemesi ekler.
- MCMC çıkarımı n ile kübik, boyutluluk ile doğrusal olarak ölçeklenir, bu da büyük veri kümeleri için pratik değildir.
- Uygun bir önsel ve çekirdek seçimi alan bilgisi gerektirir; kötü seçimler performansı düşürür.
- Varyasyonel yaklaşımlar, hız için bazı ardıl doğruluktan ödün verir, belirsizlik tahminlerinde yanlılık yaratır.
- Yazılım desteği standart SVM'ye kıyasla sınırlıdır; uygulamalar genellikle özel Gibbs örnekleme kodu gerektirir.
SSS
Bayesçi SVM, Platt ölçeklemesi olan standart bir SVM'den nasıl farklıdır?
Platt ölçeklemesi, SVM skorlarına post-hoc olarak bir lojistik fonksiyon uydurur ve model ağırlıklarını değiştirmez. Bayesçi SVM, eğitim sırasında ağırlıkların kendileri üzerindeki belirsizliği entegre eder, bu da sadece çıktıyı yeniden ölçeklendirmek yerine model belirsizliğini hesaba katan bir ardıl dağılım üretir.
Alaka Vektör Makinesi, Bayesçi SVM ile aynı mıdır?
İlişkili ancak farklıdırlar. RVM, çoğu ağırlığı tam olarak sıfıra iten otomatik alaka belirleme önseli kullanır ve daha seyrek bir model üretir. Bayesçi SVM (Polson-Scott anlamında), menteşe kaybını korur ve çıkarım için veri artırımı kullanır, seyrekliği zorunlu kılmaz.
Bayesçi SVM'yi büyük veri kümelerinde kullanabilir miyim?
MCMC tabanlı çıkarım, birkaç bin gözlemin ötesinde pratik değildir. Daha büyük veri kümeleri için stokastik varyasyonel çıkarımı, bir Gauss süreç sınıflandırıcısını veya Platt ölçeklemesi olan standart bir SVM'yi düşünün.
Hangi çekirdeği kullanmalıyım?
Radyal taban fonksiyonu (RBF) çekirdeği yaygın bir başlangıç noktasıdır. Bayesçi bir yaklaşımla çekirdek bant genişliği bir önsel alabilir ve entegre edilebilir, ancak bu hesaplama maliyetini önemli ölçüde artırır. Özellikler yüksek boyutlu ve çoğunlukla alakalı olduğunda doğrusal bir çekirdek tercih edilebilir.
MCMC örnekleyicimin yakınsadığını nasıl değerlendiririm?
Her ağırlık bileşeni için izleme grafiklerini inceleyin, birden fazla zincirde Gelman-Rubin R-hat istatistiğini hesaplayın (1.0'a yakın değerler yakınsamayı gösterir) ve etkin örnek boyutunu bildirin. Düşük ESS, güçlü otokorelasyonu ve daha fazla iterasyon veya inceltme ihtiyacını gösterir.
Kaynaklar
- Polson, N. G., & Scott, S. L. (2011). Data augmentation for support vector machines. Bayesian Analysis, 6(1), 1–23. DOI: 10.1214/11-BA601 ↗
- Tipping, M. E. (2001). Sparse Bayesian learning and the relevance vector machine. Journal of Machine Learning Research, 1, 211–244. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Support Vector Machine (Bayesian SVM). ScholarGate. https://scholargate.app/tr/machine-learning/bayesian-support-vector-machine
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesian Lojistik RegresyonBayesçi↔ karşılaştır
- Bayesian Naive BayesMakine öğrenmesi↔ karşılaştır
- Gauss SüreciMakine öğrenmesi↔ karşılaştır