SVM nasıl çalışır?

giris

Support Vector Machine (SVM) nasıl çalışır şu adımlarla özetlenebilir:

Veri Hazırlama: SVM, her veri noktasına bir sınıf etiketinin (örneğin pozitif veya negatif) atandığı etiketli eğitim verileri gerektirir. Ayrıca, veriler normalleştirilmeli veya standartlaştırılmalıdır.

Özellik Çıkarımı: Veriler doğrusal olarak ayrılamıyorsa, SVM verileri daha yüksek boyutlu bir alana dönüştürmek için çekirdek işlevlerini kullanır.

Hiperdüzlem Seçimi: SVM, farklı sınıflardan veri noktalarını en iyi ayıran hiperdüzlemi bulmayı amaçlar. Hiperdüzlem, giriş özelliklerinin doğrusal bir kombinasyonu ile tanımlanır.

Marj Maksimizasyonu: SVM'nin temel prensibi, hiperdüzlem ile her sınıftan en yakın veri noktaları arasındaki marjı maksimize etmektir. Bu marj, sınıflandırma kararına olan güven düzeyini temsil eder.

Sınıflandırma: Optimum hiperdüzlem tanımlandıktan sonra, yeni, görünmeyen veri noktalarını hiperdüzleme göre konumlarına göre sınıflandırmak için kullanılabilir.

1. Veri Hazırlama: SVM, her veri noktasına bir sınıf etiketinin (örneğin pozitif veya negatif) atandığı etiketli eğitim verileri gerektirir. Ayrıca, veriler normalleştirilmeli veya standartlaştırılmalıdır.
2. Özellik Çıkarımı: Veriler doğrusal olarak ayrılamıyorsa, SVM verileri daha yüksek boyutlu bir alana dönüştürmek için çekirdek işlevlerini kullanır.
3. Hiperdüzlem Seçimi: SVM, farklı sınıflardan veri noktalarını en iyi ayıran hiperdüzlemi bulmayı amaçlar. Hiperdüzlem, giriş özelliklerinin doğrusal bir kombinasyonu ile tanımlanır.
4. Marj Maksimizasyonu: SVM'nin temel prensibi, hiperdüzlem ile her sınıftan en yakın veri noktaları arasındaki marjı maksimize etmektir. Bu marj, sınıflandırma kararına olan güven düzeyini temsil eder.
5. Sınıflandırma: Optimum hiperdüzlem tanımlandıktan sonra, yeni, görünmeyen veri noktalarını hiperdüzleme göre konumlarına göre sınıflandırmak için kullanılabilir.