Destek Vektör Makinesi (Sınıflandırma)
Support Vector Machine (SVM — Classification) · Ayrıca şöyle bilinir: Destek Vektör Makinesi (SVM — Sınıflandırma), support-vector network, SVM classifier, maximum-margin classifier
Corinna Cortes ve Vladimir Vapnik tarafından 1995 yılında tanıtılan Destek Vektör Makinesi (Support Vector Machine - SVM), yüksek boyutlu bir uzayda sınıflar arasında en uygun ayırıcı hiperdüzlemi bulan bir sınıflandırıcıdır. En yakın eğitim noktalarına mümkün olan en geniş marjı bırakan sınırı seçer, bu da kararlarının yeni veriler üzerinde sağlam olmasını sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
+5 tane daha
Ne zaman kullanılır
Yaklaşık 50 veya daha fazla gözlemle tablo verileri üzerinde ikili veya kategorik sınıflandırma için, özellikle özellik uzayı yüksek boyutlu olduğunda ve tahmin doğruluğu açık katsayılardan daha önemli olduğunda SVM kullanın. Normal olarak dağılmış verilere gerek duymaz, ancak özellikler standartlaştırılmalı ve çekirdek ile C çapraz doğrulama ile ayarlanmalıdır. Çok küçük örneklemlerde, lojistik regresyon veya naive Bayes gibi daha basit bir sınıflandırıcı tercih edin.
Güçlü yönler & sınırlılıklar
- Yüksek boyutlu özellik uzaylarında, özellikler sınırın karmaşıklığının ima ettiğinden daha fazla olsa bile etkilidir.
- Maksimum marj ilkesi ve yalnızca destek vektörlerinin kullanılması, sağlam, genelleştirilebilir sınırlar sağlar.
- Çekirdekler, yeni özellikler manuel olarak tasarlanmadan doğrusal olmayan sınıf sınırlarını yakalamasına olanak tanır.
- Varsayıma daha az bağımlı: normal olarak dağılmış verilere gerek duymaz.
- Çapraz doğrulama ile ayarlanması gereken çekirdek ve C parametresinin seçimine duyarlıdır.
- Özelliklerin dikkatli bir şekilde standartlaştırılmasını gerektirir; ölçeklenmemiş özellikler marjı bozar.
- Küçük örneklemlerde kararsız hale gelir, burada güvenilir bir sınır tanımlamak için yeterli destek vektörü yoktur.
- Doğrudan yorumlanabilir katsayılar ve yerel sınıf olasılığı tahminleri sağlamaz.
SSS
Neden özellikleri standartlaştırmam gerekiyor?
SVM, ayırıcı hiperdüzleme olan mesafeleri ölçer, bu nedenle daha büyük sayısal ölçeklerdeki özellikler marjı domine eder. Her özelliği standartlaştırmak (StandardScaler), onları karşılaştırılabilir ölçeklere getirir, böylece sınır, keyfi birimlerden ziyade gerçek sınıf yapısını yansıtır.
C parametresi neyi kontrol eder?
C, marj genişliği ile sınıflandırma hataları arasında bir denge kurar. Büyük C, dar bir marjla eğitim verilerine sıkı bir uyum gerektirir; küçük C, daha geniş, daha pürüzsüz bir sınır karşılığında daha fazla marj ihlaline izin verir. Doğru değer çapraz doğrulama ile bulunur.
Çekirdek ne işe yarar?
Sınıflar düz bir sınırla ayrılamadığında, bir çekirdek (radyal taban fonksiyonu gibi) verileri örtük olarak daha yüksek boyutlu bir uzaya haritalar, burada bir ayırıcı hiperdüzlem bulunur ve SVM'nin doğrusal olmayan sınırları modellemesine izin verir. Çekirdek seçimi çapraz doğrulama ile doğrulanmalıdır.
SVM'yi ne zaman kullanmamalıyım?
Çok küçük örneklemlerde - yaklaşık 50 gözlemin altında - kararlı bir sınır tanımlamak için yeterli destek vektörü yoktur ve çekirdek ile C'yi ayarlamak için yeterli veri yoktur, bu nedenle model aşırı uyuma riski taşır. Bu durumda lojistik regresyon veya naive Bayes gibi daha basit bir sınıflandırıcı tercih edilir.
Kaynaklar
- Cortes, C. & Vapnik, V. (1995). Support-Vector Networks. Machine Learning, 20, 273–297. DOI: 10.1007/BF00994018 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 1). Support Vector Machine (SVM — Classification). ScholarGate. https://scholargate.app/tr/machine-learning/svm-classification
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- En Yakın K KomşuMakine öğrenmesi↔ karşılaştır
- Lojistik RegresyonAraştırma istatistiği↔ karşılaştır
- Naive BayesMakine öğrenmesi↔ karşılaştır
- Rastgele OrmanMakine öğrenmesi↔ karşılaştır
- Destek Vektör RegresyonuMakine öğrenmesi↔ karşılaştır