Çevrimiçi Destek Vektör Makinesi
Online Support Vector Machine (Incremental SVM for Streaming Data) · Ayrıca şöyle bilinir: Online SVM, Incremental SVM, LASVM, Pegasos SVM
Çevrimiçi SVM, klasik destek vektör makinesini, küresel bir karesel program çözmek yerine karar sınırını örnek başına birer birer güncelleyerek akış halindeki veya sıralı olarak gelen verilere uyarlar. Pegasos ve LASVM gibi algoritmalar, SVM'lerin kenar boşluğunu maksimize etme ruhunu koruyarak, güncelleme başına alt-doğrusal sürede bunu büyük ölçekte çözülebilir hale getirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Veriler bir akış halinde geliyorsa veya belleğe aynı anda sığamayacak kadar büyükse, kavram zamanla yavaşça kayabilir ve modelin tam yeniden eğitim olmadan uyum sağlaması gerekiyorsa veya katı gecikme gereksinimleri toplu SVM'yi uygulanamaz hale getiriyorsa Çevrimiçi SVM'yi seçin. İkili metin sınıflandırması, tıklama oranı tahmini ve sensör akışı anomali tespiti için uygundur. Çekirdeğin tam olması gerektiği ve destek vektör kümesinin sınırsız büyüdüğü durumlarda (yaklaşımlar veya bütçe yöntemleri kullanın), sınıfların yeniden ağırlıklandırma olmadan ciddi şekilde dengesiz olduğu durumlarda veya kenar boşluğu puanı yerine iyi kalibre edilmiş bir olasılık tahmini istediğinizde bundan kaçının — bu durumlarda lojistik regresyon veya gradyan artırılmış ağaçlar daha uygundur.
Güçlü yönler & sınırlılıklar
- Doğrusal çekirdekler için O(d) sürede örnek başına bir örnek işler, milyarlarca örneğe ölçeklenir.
- Öğrenme oranı çizelgesi aracılığıyla son gözlemleri daha ağır ağırlıklandırarak kavrama sürüklenmesine doğal olarak uyum sağlar.
- Maksimum kenar boşluğu çerçevesinin güçlü teorik genelleme garantilerini miras alır.
- Bellek ayak izi, destek vektör kümesi boyutunu sınırlayan bütçe SVM teknikleriyle sınırlanabilir.
- Pegasos ve benzeri çözücüler, O(1/epsilon) iterasyonda toplu optimuma epsilon dahilinde yakınsar.
- Tam çekirdek SVM'ler tüm destek vektörlerini saklamayı gerektirir, bu da bellek büyümesine neden olur; bütçe yaklaşımları bir miktar doğruluktan ödün verir.
- Hiperparametre ayarı (lambda, çekirdek bant genişliği) tutulmuş doğrulama gerektirir ve ek kayıt tutma olmadan bir akış üzerinde çapraz doğrulama ile yapılamaz.
- Doğal olarak kalibre edilmiş olasılıklar üretmez; Platt ölçeklemesi ayrı olarak uygulanmalıdır.
- Çok sınıflı uzantı, maliyeti çarpacak şekilde bire-karşı-bir veya bire-karşı-hepsi ayrıştırmalarını gerektirir.
SSS
Çevrimiçi SVM, stokastik gradyan inişi ile aynı mıdır?
Doğrusal durum için işlevsel olarak evet: Pegasos, düzenlileştirilmiş menteşe kaybı üzerinde stokastik bir alt-gradyan yöntemidir. Fark, düzenlileştirme çizelgesinde ve yakınsama kanıtındadır; karar sınırı, toplu SVM'nin bulduğu aynı maksimum kenar boşluğu hiper düzlemidir.
Düzenlileştirme parametresi lambda'yı nasıl seçerim?
Lambda, klasik C parametresiyle ters orantılıdır (lambda = 1/(n*C)). Ayarlamak için tutulmuş bir akış penceresi veya periyodik doğrulama grupları kullanın. Scikit-learn'in SGDClassifier'ı gibi kütüphaneler bunu 'alpha' olarak sunar.
Çevrimiçi SVM doğrusal olmayan sınırları işleyebilir mi?
Evet, çekirdek hileleri (Gauss, polinom) aracılığıyla, ancak destek vektör kümesi sınırsız büyüyebilir. Bütçe SVM yöntemleri veya Nyström rastgele özellik yaklaşımı, yaklaşık çekirdekler pahasına maliyeti yönetilebilir tutar.
Çevrimiçi SVM, çevrimiçi lojistik regresyon ile nasıl karşılaştırılır?
Çevrimiçi SVM, geometrik bir kenar boşluğunu maksimize eder ve menteşe kaybı yoluyla ayrıştırılamayan verileri işlerken, çevrimiçi lojistik regresyon log-olabilirlik maksimize eder ve doğrudan olasılıklar üretir. Kalibre edilmiş puanlar için lojistiği tercih edin; doğrusal olarak ayrıştırılabilir problemler üzerinde saf sınıflandırma doğruluğu için SVM genellikle onu geride bırakır.
Kavram sürüklenmesi modeli bozar mı?
Hafif sürüklenme doğal olarak emilir, çünkü azalan öğrenme oranı son örneklere orantılı olarak daha fazla etki verir. Ciddi veya ani sürüklenme için, Çevrimiçi SVM'yi bir değişiklik algılama tetikleyicisiyle birleştirerek ağırlık vektörünü sıfırlayın.
Kaynaklar
- Shalev-Shwartz, S., Singer, Y., Srebro, N., & Cotter, A. (2011). Pegasos: Primal estimated sub-gradient solver for SVM. Mathematical Programming, 127(1), 3–30. DOI: 10.1007/s10107-010-0420-4 ↗
- Bordes, A., Ertekin, S., Weston, J., & Bottou, L. (2005). Fast kernel classifiers with online and active learning. Journal of Machine Learning Research, 6, 1579–1619. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Online Support Vector Machine (Incremental SVM for Streaming Data). ScholarGate. https://scholargate.app/tr/machine-learning/online-support-vector-machine
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Online Gradient BoostingMakine öğrenmesi↔ karşılaştır
- Çevrimiçi ÖğrenmeMakine öğrenmesi↔ karşılaştır
- Online Lojistik RegresyonMakine öğrenmesi↔ karşılaştır