استفاده از بردار‌های پشتیبان خطی در مسائل رده‌بندی رویکرد جدیدی است که در چند ساله اخیر مورد توجه بسیاری قرار گرفته است. ماشین بردار پشتیبان در ابتدا توسط واپینک در سال 1990 طراحی شد و نظریه آماری را به طور مستحکمی بنا نهاد. ماشین‌های بردار پشتیبان دارای خواص ذیل هستند:
– طراحی رده‌بندی کننده با حداکثر تصمیم.
– رسیدن به بهینه سراسری تابع هزینه.
– تعیین خودکار ساختار و توپولوژی بهینه برای طبقه‌بندی کننده.
– مدل کردن توابع تمایز غیر‌خطی با استفاده از هسته‌های غیر‌خطی و مفهوم حاصل‌ضرب داخلی در فضاهای هیلبرت.
رویکرد SVM به این صورت است که در مرحله آموزش، سعی دارد که مرز تصمیم‌گیری را به گونه‌ای اتخاب نماید که حداقل فاصله آن با هر یک از دسته‌های مورد نظر را بیشینه کند. این نوع انتخاب باعث می‌شود که تصمیم‌گیری ما در عمل، شرایط نویزی را به خوبی تحمل نموده و هم‌چنین پاسخ‌دهی مناسبی داشته باشد. این نحوه انتخاب مرز بر اساس نقاطی به نام بردار‌های پشتیبان انجام می‌شود.
الگوریتم‌های مبتنی بر ماشین‌های بردار پشتیبان الگوریتم‌هایی هستند که سعی می‌کنند یک حاشیه را بیشینه کنند. این الگوریتم‌ها برای پیدا کردن خط جدا کننده دسته‌ها، از دو خط موازی شروع کرده و این خطوط را در خلاف جهت یک‌دیگر حرکت می‌دهند تا هر کدام از خطوط بهینه به یک نمونه از یک دسته خاص در سمت خود برسد. پس از انجام این مرحله، میان دو خط موازی یک نوار یا حاشیه شکل می‌گیرد. هر چه پهنای این نوار بیش‌تر باشد، به این معناست که الگوریتم توانسته است حاشیه را بیشینه کند و هدف نیز بیشینه نمودن این حاشیه است.

مطالب مرتبط