أساسيات الذكاء الاصطناعي
ما هي آلات المتجهات الداعمة؟
أضف Unite.AI إلى مصادرك المفضلة على Google
آلة المتجه الداعم (SVM) هي طريقة تعلم خاضعة للإشراف تُحدد حدًا قرارًا بأوسع هامش ممكن بين الفئات. أمثلة التدريب التي تحدد ذلك الحد هي المتجهات الداعمة.
يمكن لـ SVMs إجراء تصنيف خطي أو غير خطي، والانحدار، واكتشاف الجدة. وهي مفيدة بشكل خاص لمجموعات البيانات الصغيرة إلى المتوسطة ذات الميزات المفيدة، بما في ذلك البيانات المتناثرة عالية الأبعاد، لكن تكلفة تدريبها قد تصبح غير عملية على مجموعات البيانات الكبيرة جدًا.
النقاط الرئيسية
- تُضاعف SVM الحد الأدنى للهامش بين الحد وأقرب نقاط التدريب.
- المتجهات الداعمة هي نقاط بيانات، ليست مستويات فائقية إضافية.
- المعامل C يوازن عرض الهامش مقابل العقوبات على الانتهاكات.
- النوى تحسب التشابه في فضاء ميزات ضمني دون تجسيد كل ميزة محوَّلة صراحة.
فكرة الحد الأقصى للهامش
لمصنف ثنائي خطي، يكون حد القرار هو مستوى فائق:
w · x + b = 0
المتجه w يحدد الاتجاه وb يحدد الإزاحة. قد تفصل العديد من المستويات الفائقة فئات التدريب. تختار SVM المستوى الذي يضاعف المسافة إلى أقرب الأمثلة على كلا الجانبين. تلك الأمثلة الأقرب هي المتجهات الداعمة وتملك أكبر تأثير على الحد المُناسب.
الهدف ليس تعظيم المسافة بين الحد وكل نقطة على حدة. بل يضاعف الحد الأدنى للهامش مع مراعاة أو معاقبة قيود الفئة.
الهوامش الصلبة والناعمة
تتطلب SVM ذات الهامش الصلب فصلًا خطيًا مثاليًا وتكون حساسة للقيم المتطرفة. عادةً ما تحتاج مجموعات البيانات الحقيقية إلى هامش ناعم، الذي يُدخل متغيّرات ارتخاء للملاحظات داخل الهامش أو على الجانب الخاطئ من الحد.
المعامل الفائق C يتحكم في العقوبة على هذه الانتهاكات:
- قيمة C أكبر تُعاقب الانتهاكات بقوة أكبر وغالبًا ما تُنتج هامشًا أضيق يتبع أمثلة التدريب عن كثب.
- قيمة C أصغر تسمح بمزيد من الانتهاكات مقابل هامش أوسع وأكثر تنظيمًا.
عدد المتجهات الداعمة هو نتيجة للبيانات والحل؛ زيادة C لا تضمن عددًا معينًا من المتجهات الداعمة.
حيلة النواة
بعض الفئات لا يمكن فصلها بمستوى فائق مستقيم في فضاء الميزات الأصلي. تُقيم النواة حاصل الضرب الداخلي المقابل لفضاء ميزات آخر. هذا يسمح لـ SVM بملاءمة حد غير خطي دون حساب كل إحداثي محوَّل صراحة.
النوى الشائعة تشمل:
- خطية: فعّالة للميزات المتناثرة عالية الأبعاد مثل النص.
- متعددة الحدود: تُنمذج التفاعلات حتى درجة مختارة.
- دالة القاعدة الشعاعية (RBF): تُنشئ حدودًا محلية مرنة تعتمد على المسافة.
- سيجمويد: تشبه تنشيط الشبكة العصبية لكنها أقل شيوعًا كخيار افتراضي.
بالنسبة إلى SVM بنواة RBF، يتحكم gamma في مدى تأثير كل مثال تدريبي على الحد محليًا. قيمة gamma كبيرة قد تُنشئ مناطق مفصلة جدًا وتؤدي إلى الإفراط في التعلم؛ قيمة gamma صغيرة تُنتج تأثيرًا أكثر سلاسة.
تصنيف متعدد الفئات
هدف SVM الكلاسيكي هو ثنائي. تُوسّع المكتبات ذلك باستخدام استراتيجيات مثل واحد ضد البقية، التي تدرب مصنفًا واحدًا لكل فئة، أو واحد ضد واحد، التي تدرب مصنفات لأزواج الفئات وتدمج قراراتها. لا تُرسم SVM متعددة الفئات خطًا واحدًا أقل من عدد الفئات ببساطة.
الانحدار المتجه الداعم و SVM من فئة واحدة
الانحدار المتجه الداعم (SVR) يملأ دالة مع تجاهل الأخطاء داخل أنبوب بعرض إبسيلون ومعاقبة الانحرافات الأكبر. SVM من فئة واحدة يقدّر حدًا حول البيانات النموذجية ويمكنه دعم اكتشاف الجدة. النقطة غير العادية ليست بالضرورة احتيالًا أو فشلًا؛ إنها غير عادية ضمن التمثيل الملائم.
المتطلبات العملية
تعتمد SVM على المسافات وحاصل الضرب الداخلي، لذا عادةً ما تحتاج الميزات العددية إلى توحيد القياس. يجب اختيار C، والنواة، وgamma، وأوزان الفئات من خلال التحقق. تقديرات الاحتمال ليست جزءًا أصيلًا من الهامش وغالبًا ما تتطلب معايرة، مما يضيف تكلفة ويجب تقييمه بشكل منفصل.
يمكن لتدريب SVM بنواة أن يتدرج بين زمن رباعي أو تكعيبي حسب عدد العينات، اعتمادًا على البيانات والتنفيذ. تُعدّ المتغيّرات الخطية أو النماذج الخطية العشوائية أكثر ملاءمة لمجموعات البيانات الضخمة جدًا. بالنسبة للصور الخام أو الصوت أو اللغة، قد تكون التمثيلات المتعلمة من التعلم العميق أكثر فاعلية، بينما لا تزال SVM قادرة على تصنيف تمثيل ثابت.
قوة وقيود SVM
يمكن لـ SVM العمل جيدًا مع العديد من الميزات، وتوفر هدفًا منظمًا واضحًا، وتعتمد أساسًا على المتجهات الداعمة أثناء التنبؤ. تشمل القيود الحساسية للتوحيد والمعاملات الفائقة، وتكلفة التدريب المحتملة، وتقليل قابلية التفسير تحت النوى غير الخطية، ومتطلبات معايرة الاحتمال.
الهوامش، النوى، وهدف التحسين
تسعى آلة المتجه الداعم إلى مستوى فائق فاصل مع هامش كبير بين الفئات. فقط المتجهات الداعمة على أو داخل الهامش تحدد الحد. تُدخل SVM ذات الهامش الناعم ارتخاء للتداخل والنقاط المصنَّفة خطأ؛ المعامل C يوازن بين هامش أوسع وانتهاكات التدريب. عادةً ما يجب توحيد المدخلات لأن المسافة وحاصل الضرب الداخلي يدفعان الحل. تساعد أوزان الفئات أو إعادة العينة عندما تكون تكاليف الأخطاء وانتشارها غير متساويين، لكن العتبات والاحتمالات لا تزال تحتاج إلى تحقق مستقل.
تُقيم حيلة النواة التشابه كما لو أن المدخلات تم تحويلها إلى فضاء ميزات عالي الأبعاد. النوى الخطية، متعددة الحدود، القاعدة الشعاعية، والنوى المتخصصة تُعبّر عن افتراضات مختلفة. بالنسبة إلى نواة RBF، يتحكم gamma في مدى تأثير كل نقطة على الحد محليًا: gamma عالية قد تُنشئ مناطق معقدة وتؤدي إلى الإفراط في التعلم، بينما gamma منخفضة قد تُسبب نقص التعلم. تنمو مصفوفات النوى تربيعيًا مع عدد العينات، مما يجعل SVM غير الخطية مكلفة على مجموعات البيانات الكبيرة. غالبًا ما تكون الحلول الخطية أو خرائط الميزات التقريبية مفضلة عند التوسع.
استخدام متعدد الفئات، المعايرة، والحدود التشغيلية
تُوسّع SVM الثنائية إلى متعددة الفئات عبر واحد ضد البقية، واحد ضد واحد، أو صيغ مُنظمة. يجب ضبط المعاملات الفائقة داخل التحقق المتقاطع، مع تقسيمات مجمعة أو زمنية عند الحاجة. قيم الدقة والاستدعاء لكل فئة، وتوزيعات الهوامش، والمعايرة، والأداء تحت التحول. الدرجات الخام للقرار ليست احتمالات؛ يستخدم مقياس Platt أو المعايرة المتساوية بيانات منفصلة وقد يتدهور إذا تغير الانتشار. قارن مع الانحدار اللوجستي، الأشجار، والأساليب الحديثة القائمة على التمثيلات مع جهد معالجة وضبط متساوٍ.
يتطلب النشر المقياس الدقيق، ترتيب الميزات، معلمات النواة، المتجهات الداعمة، وخريطة الفئات. تكلفة التنبؤ لـ SVM بنواة تنمو مع عدد المتجهات الداعمة، لذا قسّ زمن الاستجابة والذاكرة على دفعات واقعية. يمكن للمدخلات البعيدة عن الدعم التدريبي أن تحصل على تسميات واثقة؛ أضف فحوصات خارج التوزيع أو سياسة امتناع حيثما كان ذلك مناسبًا. افحص الأخطاء للعثور على وسائط حساسة وملفات بيانات. لا تزال SVM قوية للمشكلات المتوسطة الحجم وعالية الأبعاد، لكن الحد الهندسي الأقصى ليس دليلًا على بنية سببية أو أمان.
مثال عملي: SVM لتوجيه المستندات النادرة
يقوم فريق عمليات قانونية بتصنيف ملفات قصيرة إلى فئات توجيهية باستخدام ميزات TF–IDF وSVM خطية. يُقسم حسب القضية والوقت لمنع تسرب القوالب، يُوازن أوزان الفئات بناءً على تكلفة الأخطاء المُراجعة، ويُضبط C داخل تحقق متداخل. يُقارن النموذج الخطي مع الانحدار اللوجستي ومحول. الدقة، الاستدعاء، المعايرة، وحجم عمل المراجعين لكل فئة أهم من الدقة العامة.
يتم معايرة درجات القرار على بيانات منفصلة، وتُرسل المستندات ذات الهامش المنخفض أو اللغة غير المدعومة إلى الإدخال اليدوي. يتضمن عنصر النشر المُرمّز المُقسّم، المفردات، الوزن، النموذج، المعايرة، وخريطة العلامات. يراقب النظام المصطلحات الجديدة، انتشار الفئات، الهوامش، والمسارات المصححة. تُحفظ المستندات والمتجهات الداعمة لأن ميزات النص قد تكشف معلومات سرية. تُرفض النواة غير الخطية عندما لا يبرر مكسب الجودة الصغير التكلفة من حيث زمن الاستجابة، الذاكرة، وقابلية التفسير.
دليل التنفيذ والاستعداد التشغيلي
يتطلب اتخاذ قرار إنتاجي أكثر من عرض تجريبي ناجح. عرّف المستخدمين المستهدفين، بيئة التشغيل، المدخلات، المخرجات، الاعتمادات، المالك، وعواقب كل فشل مهم. أنشئ خط أساس قابل لإعادة الإنتاج ومجموعة تقييم مُصدرة قبل الضبط. اختبر الحالات العادية، حدود الشروط، المدخلات المشوهة أو المفقودة، تحولات التوزيع، انقطاع الاعتماد، سوء الاستخدام، والمجموعات أو البيئات الأكثر احتمالًا لتكون غير مُخدَّمة. قس جودة المهمة مع المعايرة أو عدم اليقين، زمن الاستجابة، الإنتاجية، تكلفة الموارد، الوصولية، الخصوصية، والأمان. سجِّل كل تحويل وعَتبة حتى يتمكن مراجع مستقل من إعادة إنتاج النتيجة وتمييز الأدلة عن النموذج الأولي الجذاب.
قبل الإطلاق، عيّن سلطة للإصدار، الاستثناءات، التغييرات، الاسترجاع، والتقاعد. استخدم نشرًا متدرجًا، احفظ نقطة ارتداد آمنة، وتحقق من المراقبة عبر فشل مُحقَّن عمدًا. يجب أن تكشف القياسات التشغيلية عن جودة المدخلات، سلوك المخرجات، نسخة النموذج أو القاعدة، صحة الاعتماد، التدخلات البشرية، والنتائج المؤكدة دون جمع بيانات حساسة غير ضرورية. عرّف عتبات التنبيه ومالك الاستجابة، ثم راجع الأدلة الواقعية بعد النشر بدلاً من افتراض استمرارية الأداء غير المتصل. أعد التقييم كلما تغيرت مصادر البيانات أو المستخدمون أو النماذج أو البائعون أو السياسات أو الأجهزة أو الأهداف. يحتاج النظام المُصان أيضًا إلى وثائق استعادة، تعلم من الحوادث، إجراءات حذف واحتفاظ، ونقطة واضحة يجب فيها إيقافه أو استبداله.
الأسئلة المتكررة
هل تقوم SVMs فقط بالتصنيف؟
لا. الانحدار المتجه الداعم يتنبأ بأهداف مستمرة، بينما يمكن لـ SVM من فئة واحدة تقدير حد الجدة. لكل نسخة هدف مختلف ومجموعة مختلفة من المعاملات الفائقة.
متى يكون SVM الخطي خيارًا قويًا؟
غالبًا ما تكون SVM الخطية فعّالة للميزات المتناثرة عالية الأبعاد، بما في ذلك تمثيلات النص التقليدية، حيث قد تضيف النواة المرنة تكلفة دون فائدة واضحة.
المراجع الأساسية
