ماشین بردار پشتیبانی (Support vector machines - SVMs) یکی از روشهای یادگیری بانظارت است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌کنند.
این روش از جملهٔ روشهای نسبتاً جدیدی است که در سال‌های اخیر کارایی خوبی نسبت به روشهای قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. مبنای کاریدسته‌بندی کنندۀ SVM دسته‌بندی خطی داده‌ها است و در تقسیم خطی داده‌ها سعی می‌کنیم خطی را انتخاب کنیم که حاشیه اطمینان بیشتری داشته باشد. حل معادله پیدا کردن خط بهینه برای داده‌ها به وسیله روشهای QPP که روشهای شناخته شده‌ای در حل مسائل محدودیت‌دار هستند صورت میگیرد. قبل از تقسیمِ خطی برای اینکه ماشین بتواند داده‌های با پیچیدگی بالا را دسته‌بندی کند داده‌ها را به وسیلهٔ تابعِ phi به فضای با ابعاد خیلی بالاتر می‌بریم. برای اینکه بتوانیم مسئله ابعاد خیلی بالا را با استفاده از این روش‌ها حل کنیم از قضیه دوگانی لاگرانژ[۵] برای تبدیلِ مسئلهٔمینیمم‌سازی مورد نظر به فرم دوگانی آن که در آن به جای تابع پیچیدهٔ phi که ما را به فضایی با ابعاد بالا می‌برد، تابعِ ساده‌تری به نامِ تابع هسته که ضرب برداری تابع phii است ظاهر می‌شود استفاده می‌کنیم. از توابع هسته مختلفی از جمله هسته‌های نمایی، چندجمله‌ای و سیگموید میتوان استفاده نمود.
کاربردهای SVM
الگوریتم SVM، جز الگوریتم های تشخیص الگو دسته بندی می شود.از الگوریتم SVM، در هر جایی که نیاز به تشخیص الگو یا دسته بندی اشیا در کلاس های خاص باشد می توان استفاده کرد.در ادامه به کاربرد های این الگوریتم به صورت موردی اشاره می شود:
سیستم آنالیز ریسک، کنترل هواپیما بدون خلبان، ردیابی انحراف هواپیما، شبیه سازی مسیر، سیستم راهنمایی اتوماتیک اتومبیل، سیستمهای بازرسی کیفیت، آنالیز کیفیت جوشکاری، پیش بینی کیفیت، آنالیز کیفیت کامپیوتر، آنالیز عملیاتهای آسیاب، آنالیز طراحی محصول شیمیایی، آنالیز نگهداری ماشین، پیشنهاد پروژه، مدیریت و برنامه ریزی، کنترل سیستم فرایند شیمیایی و دینامیکی، طراحی اعضای مصنوعی، بهینه سازی زمان پیوند اعضا، کاهش هزینه بیمارستان، بهبود کیفیت بیمارستان، آزمایش اتاق اورژانس، اکتشاف روغن و گاز، کنترل مسیر در دستگاههای خودکار، ربات، جراثقال، سیستمهای بصری، تشخیص صدا، اختصار سخن، کلاسه بندی صوتی، آنالیز بازار، سیستمهای مشاوره ای محاسبه هزینه موجودی، اختصار اطلاعات و تصاویر، خدمات اطلاعاتی اتوماتیک، مترجم لحظه ای زبان، سیستمهای پردازش وجه مشتری، سیستمهای تشخیص ترمز کامیون، زمانبندی وسیله نقلیه، سیستمهای مسیریابی، کلاسه بندی نمودارهای مشتری/بازار، تشخیص دارو، بازبینی امضا، تخمین ریسک وام، شناسایی طیفی، ارزیابی سرمایه، کلاسه بندی انواع سلولها، میکروبها و نمونه ها، پیش بینی فروشهای آینده، پیش بینی نیازهای محصول، پیش بینی وضعیت بازار، پیش بینی شاخصهای اقتصادی، پیش بینی ملزومات انرژی، پیش بینی واکنشهای دارویی، پیش بینی بازتاب محصولات شیمیایی، پیش بینی هوا، پیش بینی محصول، پیش بینی ریسک محیطی، پیش بینی جداول داوری، مدل کردن کنترل فرایند، آنالیز فعالیت گارانتی، بازرسی اسناد، تشخیص هدف، تشخیص چهره، انواع جدید سنسورها، دستگاه کاشف زیر دریایی بوسیله امواج صوتی، رادار، پردازش سیگنالهای تصویری شامل مقایسه اطلاعات، پیگیری هدف، هدایت جنگ افزارها، تعیین قیمت وضعیت فعلی، جلوگیری از پارازیت، شناسایی تصویر /سیگنال، چیدمان یک مدار کامل، بینایی ماشین، مدل کردن غیر خطی، ترکیب صدا، کنترل فرایند ساخت، آنالیز مالی، پیش بینی فرایندهای تولید، ارزیابی بکارگیری یک سیاست، بهینه سازی محصول، تشخیص ماشین و فرایند، مدل کردن کنترل سیستمها، مدل کردن ساختارهای شیمیایی، مدل کردن سیستمهای دینامیکی، مدل کردن سیگنال تراکم، مدل کردن قالب‌سازی پلاستیکی، مدیریت قراردادهای سهام، مدیریت وجوه بیمه، دیریت سهام، تصویب چک بانکی، اکتشاف تقلب در کارت اعتباری، ثبت نسیه، بازبینی امضا از چکها، پیش بینی ارزش نسیه، مدیریت ریسک رهن، تشخیص حروف و اعدا، تشخیص بیماری و.....
تاریخچه
الگوریتم SVM اولیه در ۱۹۶۳ توسط Vladimir Vapnik ابداع شدو در سال ۱۹۹۵ توسط Vapnik و Corinna Cortes برای حالت غیرخطی تعمیم داده شد.
خلاصه استفاده عملی از SVM
ماتریس الگو را آماده می کنیم. تابع کرنلی را برای استفاده انتخاب می کنیم. پارامتر تابع کرنل و مقدار C را انتخاب می کنیم. برای محاسبه ی مقادیرα_i الگوریتم آموزشی را با استفاده از حل کننده های QP اجرا می کنیم. داده های جدید با استفاده از مقادیرα_ii و بردارهای پشتیبان می توانند دسته بندی شوند.
مزایا و معایب SVM
آموزش نسبتاً ساده است برخلاف شبکه های عصبی در ماکزیمم های محلی گیر نمی‌افتد. برای داده های با ابعاد بالا تقریباً خوب جواب می دهد. مصالحه بین پیچیدگی دسته بندی کننده و میزان خطا به طور واضح کنترل می شود. به یک تابع کرنل خوب و انتخاب پارامتر CC نیاز دارد.
فهرست مطالب:
مقدمه
ایده اصلی
تعریف
مسئله جداسازی خطی
Intuitions
A Good Separator
Noise in the observations
Maximizing the margin
ضرب داخلی
خط یا ابر صفحه جدا کننده
ایده SVM برای جداسازی دسته ها
حداکثر حاشیه
چرا حداکثر حاشیه؟
بردار پشتیبان
تعمیم و SVM
حل مسئله برای حالت دو بعدی
تعیین حاشیه بین خطوط جداکننده
محاسبه پهنای حاشیه
محدودیت
جمع بندی حل مسئله
Quadratic programming
راه حل معادله
The dual problem
دسته بندی داده های جدید
ویژگی های راه حل
و...
پاورپوینت کامل و جامع با عنوان ماشین بردار پشتیبان یا SVM در 77 اسلاید
![\nabla \cdot {\mathbf {F}}={{1} \over {h_{1}h_{2}h_{3}}}[{\frac {\partial }{\partial q_{1}}}(F_{1}h_{2}h_{3})+{\frac {\partial }{\partial q_{2}}}(F_{2}h_{3}h_{1})+{\frac {\partial }{\partial q_{3}}}(F_{3}h_{1}h_{2})]](https://wikimedia.org/api/rest_v1/media/math/render/svg/93ca7a9ad8e79bd63c06b3ab9b3a37d87205b696)
، 
، 
، 
، 
، و یا curl A نمایش داده می شود، برداری است که اندازه آن حداکثر گردش خالص A در واحد سطح است وقتی که سطح به سوی صفر میل میکند و جهت آن جهت عمود سطح است زمانی که سطح طوری جهت داده شده باشدکه گردش خالص را حداکثر نماید.
