آلة المتجهات الداعمة (SVM): الهامش والمتجهات الداعمة والنواة
Support Vector Machine (SVM)
الجواب المختصر
SVM (Support Vector Machine) نموذج تصنيف قوي يرسم حدًّا يفصل الفئات، لكن ليس أي حد: يختار الحد الذي يترك أكبر هامش بينه وبين أقرب نقاط من كل فئة. الحد البعيد عن النقاط أقل حساسية للضوضاء ويعمم أفضل. المتجهات الداعمة (Support Vectors) هي أقرب النقاط للحد وهي التي تحدد مكانه. وقد يكون خطيًا أو غير خطي باستخدام Kernel لحدود منحنية. ويحتاج SVM إلى توحيد مقاييس الأرقام (StandardScaler) لأن الميزة ذات القيم الكبيرة قد تسيطر على التعلم.
| المفهوم | المعنى |
|---|---|
| الهامش | المسافة بين الحد الفاصل وأقرب نقاط الفئتين؛ الأكبر أفضل غالبًا لأنه يعمم أفضل |
| المتجهات الداعمة | النقاط الأقرب إلى الحد، وهي التي تحدده؛ تغيّر البعيدة لا يغيّره غالبًا |
| الخطي وغير الخطي | خط أو سطح في الحالة الخطية؛ والنواة تصنع حدودًا منحنية عند تداخل البيانات |
| المعامل C | يتحكم بمدى السماح بالأخطاء؛ كلما زاد صار النموذج أكثر صرامة |
| StandardScaler | يوحد المقاييس حتى لا تهيمن ميزة بقيم كبيرة |
كيف نفهم رسم مناطق القرار؟
نُنشئ شبكة نقاط تغطي مساحة الرسم ونسأل النموذج: أي فئة لكل نقطة؟ ثم نلوّن الخلفية بحسب الفئة المتوقعة، والنقاط المرسومة فوقها هي البيانات الحقيقية. إن وقعت النقاط داخل لون فئتها فالنموذج فصل جيدًا.
وهو نموذج تصنيف؛ ويمكن مقارنته بـأشجار القرار في سهولة التفسير.
ومن حدوده أنه قد يبطؤ مع بيانات ضخمة جدًا، وأن اختيار النواة والمعاملات يؤثر في الأداء ويحتاج تجريبًا.
وجرّب دائمًا نموذجًا بسيطًا أولًا لتعرف هل تحتاج فعلًا هامشًا ونواة أم يكفي حد خطي.
المصطلحات: عربي ↔ English
- آلة المتجهات الداعمة
- Support Vector Machine (SVM)
- هامش
- Margin
- متجهات داعمة
- Support Vectors
- نواة
- Kernel
- توحيد المقياس
- Feature Scaling
لماذا يهمّ هذا في BTEC؟
للتصنيف سؤالان: ما الحد الفاصل؟ وكيف نختاره ليعمم؟ والهامش هو الجواب في SVM.
أسئلة تجيب عنها هذه الصفحة
- ما هو SVM؟
- ما هي المتجهات الداعمة والهامش؟
مفاهيم مرتبطة
- التصنيف والانحدار: كيف أعرف نوع المهمة؟إذا كانت المخرجات اسمًا أو فئة (نعم/لا، قطة/كلب، سبام/ليس سبام) فهي مهمة تصنيف، وإذا كانت رقمًا مستمرًا (سعر، طول، حرارة، علامة) فهي انحدار. وقد سمّي انحدارًا لأن هدفه توقع قيمة رقمية لا فئة.
- أشجار القرار (Decision Trees): كيف تتعلم وكيف نقرأها وما الـ Overfitting؟شجرة القرار تشبه لعبة الأسئلة المتتابعة (نعم/لا): تقسم البيانات خطوة بخطوة بسؤال بسيط على ميزة حتى تصل إلى قرار نهائي في الأوراق. سهلة التفسير، لكنها قد تحفظ بيانات التدريب إن كانت عميقة جدًا.
عن كاتب الصفحة
مدرّس BTEC IT · الأردن
- نوع المحتوى
- شرح مبني على مادة أحمد دومي — وليس نصًّا رسميًّا من Pearson
- آخر مراجعة
- ملاحظة على المصدر
- تعتمد هذه الصفحة على ملاحظات قصيرة لأحمد دومي عن الموضوع، وأُضيف إليها شرح توضيحي عام ليكتمل الجواب، والمثال التطبيقي من وضع الموقع.
- المصدر
- ملاحظات تعلّم الآلة وأدوات الذكاء الاصطناعي (أحمد دومي) — SVM