Yarı denetimli Destek Vektör Makinesi
Semi-supervised Support Vector Machine (S3VM / Transductive SVM) · Ayrıca şöyle bilinir: S3VM, Transductive SVM, TSVM, Semi-SVM
Yarı denetimli Destek Vektör Makinesi (S3VM), büyük miktarda etiketlenmemiş veriyi az sayıda etiketlenmiş eğitim kümesiyle birlikte dahil ederek klasik SVM'yi genişletir. Bu yöntem, yalnızca etiketlenmiş örnekleri ayırmakla kalmayıp aynı zamanda tam veri dağılımının düşük yoğunluklu bölgelerinden geçen maksimum marjlı bir hiperdüzlem aramaktadır, bu da etiketlenmiş örneklerin kıt olduğu durumlarda daha iyi genelleme sağlamaktadır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
S3VM, etiketlenmiş verilerin pahalı veya kıt olduğu (örneğin, birkaç yüzden az örnek) ancak bol miktarda etiketlenmemiş verinin mevcut olduğu durumlarda doğru seçimdir — metin sınıflandırma, biyoinformatik veya etiketlemenin maliyetli olduğu herhangi bir alanda yaygın bir senaryodur. Küme varsayımının geçerli olduğu durumlarda en iyi performansı gösterir: sınıflar belirgin kümeler oluşturur ve karar sınırı düşük yoğunluklu bir bölgede yer alır. Etiketlenmiş verilerin zaten bol olduğu durumlarda (standart SVM daha düşük maliyetle eşleşir veya aşar), küme varsayımının ihlal edildiği durumlarda (sınıflar özellik uzayında yoğun bir şekilde örtüşür) veya etiketlenmemiş dağılımın etiketlenmiş dağılımdan kaydığı durumlarda S3VM'den kaçının, bu da sınırı yanlış yöne itebilir.
Güçlü yönler & sınırlılıklar
- Etiketlenmiş örnekler kıt olduğunda genellemeyi iyileştirmek için büyük etiketlenmemiş veri kümelerinden etkili bir şekilde yararlanır.
- Standart SVM'lerin maksimum marj garantilerini ve çekirdek esnekliğini miras alır.
- Metin gibi yüksek boyutlu seyrek veriler için uygundur, çünkü etiketlenmemiş derlemeler boldur.
- Doğrusal olmayan sınırlar için prensipli olasılıksal uzantı (Gauss Süreci S3VM) ve çekirdek varyantları mevcuttur.
- Tamamen denetimli alternatiflere kıyasla düşük etiketli veri rejimlerinde rekabetçi doğruluk.
- Sözde etiketler nedeniyle optimizasyon dışbükey değildir, bu da onu başlangıç değerine duyarlı hale getirir ve yerel optimumlara eğilimli kılar.
- Hesaplama maliyeti, etiketlenmemiş örneklerin sayısıyla kötü ölçeklenir — büyük etiketlenmemiş havuzlar pahalı hale gelir.
- Küme varsayımına dayanır; sınıflar iyi ayrılmış kümeler oluşturmazsa, etiketlenmemiş veriler performansı düşürebilir.
- Etiketlenmiş kayıp ağırlığı C ve etiketlenmemiş kayıp ağırlığı C*'nin dikkatli ayarlanmasını gerektirir, bu da model seçimi karmaşıklığını artırır.
SSS
S3VM standart bir SVM'den nasıl farklıdır?
Standart bir SVM, karar sınırını yerleştirmek için yalnızca etiketlenmiş verileri kullanır. S3VM, sınırın tam veri dağılımının düşük yoğunluklu bölgelerinden geçmesini gerektirerek etiketlenmemiş örnekleri ek olarak dahil eder, bu da etiketlenmiş verilerin kıt olduğu durumlarda genellemeyi iyileştirir.
Küme varsayımı nedir ve neden önemlidir?
Küme varsayımı, karar sınırının düşük veri yoğunluğu bölgesinde yer aldığını, yani sınıfların ayrılabilir kümeler oluşturduğunu belirtir. S3VM, sınırı yoğun bölgelerden uzaklaştırarak bundan yararlanır. Sınıflar yoğun bir şekilde örtüşürse, bu varsayım başarısız olur ve etiketlenmemiş veriler modeli yanıltabilir.
Etiketlenmemiş ağırlık C* nasıl seçilir?
C*, etiketlenmemiş örneklerin marjı ne kadar güçlü etkilediğini kontrol eder. Yaygın bir strateji, C'den çok daha küçük bir C* ile başlamak ve performans düşmeden önce küçük bir etiketlenmiş tutma kümesi üzerinde doğrulama doğruluğunu izlerken onu kademeli olarak artırmaktır.
S3VM doğrusal olmayan sınırları işleyebilir mi?
Evet. Standart SVM'ler gibi, S3VM de verileri örtük olarak daha yüksek boyutlu uzaylara eşleyen çekirdek fonksiyonlarını (RBF, polinom vb.) destekler, burada doğrusal bir sınır orijinal özellik uzayında doğrusal olmayan hale gelir.
Ne zaman kendi kendine öğrenme veya etiket yayılımını S3VM'ye tercih etmeliyim?
Kendi kendine öğrenme uygulaması daha basittir ve büyük etiketlenmemiş havuzlara daha iyi ölçeklenir; hesaplama sınırlıysa onu tercih edin. Etiket yayılımı grafik yapılı veriler üzerinde iyi çalışır. S3VM, maksimum marj garantileri istediğinizde ve küme varsayımının muhtemelen tatmin edildiği durumlarda tercih edilir.
Kaynaklar
- Joachims, T. (1999). Transductive Inference for Text Classification using Support Vector Machines. Proceedings of the 16th International Conference on Machine Learning (ICML), 200–209. link ↗
- Chapelle, O., Scholkopf, B., & Zien, A. (Eds.). (2006). Semi-Supervised Learning. MIT Press. ISBN: 978-0-262-03358-9
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Semi-supervised Support Vector Machine (S3VM / Transductive SVM). ScholarGate. https://scholargate.app/tr/machine-learning/semi-supervised-support-vector-machine
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Etiket YayılımıMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör Makinesi (Sınıflandırma)Makine öğrenmesi↔ karşılaştır