YZ Merkezi
Yapay zekâ sözlüğü
Orta seviye
Destek Vektör Makineleri (SVM)
Support Vector Machines (SVM)
31.08.2026 tarihinde güncellendi
Destek Vektör Makineleri (SVM), farklı veri sınıflarını birbirinden ayıran ve iki sınıf arasındaki güvenlik aralığını (marjini) maksimize eden en ideal hiperdüzlemi (karar sınırını) bulan güçlü bir algoritmadır.
Genel bakış
Kavramın çerçevesiÖzellikle küçük ve orta büyüklükteki veri setlerinde, yüksek boyutlu uzaylarda ve karmaşık sınır yapılarında mükemmel performans gösterir.
Çalışma mantığı: Karar sınırına en yakın olan veri noktalarına 'destek vektörleri' (support vectors) denir. SVM, bu destek vektörleri ile ayrım çizgisi arasındaki marjini en geniş tutacak hiperdüzlemi hesaplar. Doğrusal ayrılamayan durumlarda 'Çekirdek Numarası' (Kernel Trick) kullanarak veriyi daha yüksek boyutlu bir uzaya taşır ve orada doğrusal olarak ayırır.
Kullanım alanları: Yüz tanıma, el yazısı karakter sınıflandırma, metin ve biyolojik gen dizilimi sınıflandırması.
Sınırlılıklar ve dikkat edilmesi gerekenler: Milyonlarca satırlık çok büyük veri setlerinde bellek ve eğitim süresi maliyeti yüksek olabilir; hiperparametreleri (C, Gamma) hassas ayar gerektirir.
Çalışma mantığı: Karar sınırına en yakın olan veri noktalarına 'destek vektörleri' (support vectors) denir. SVM, bu destek vektörleri ile ayrım çizgisi arasındaki marjini en geniş tutacak hiperdüzlemi hesaplar. Doğrusal ayrılamayan durumlarda 'Çekirdek Numarası' (Kernel Trick) kullanarak veriyi daha yüksek boyutlu bir uzaya taşır ve orada doğrusal olarak ayırır.
Kullanım alanları: Yüz tanıma, el yazısı karakter sınıflandırma, metin ve biyolojik gen dizilimi sınıflandırması.
Sınırlılıklar ve dikkat edilmesi gerekenler: Milyonlarca satırlık çok büyük veri setlerinde bellek ve eğitim süresi maliyeti yüksek olabilir; hiperparametreleri (C, Gamma) hassas ayar gerektirir.
Teknik tanım ve açıklama
Temel mekanizmaSınıflar arası geometrik marjini maksimize eden optimal ayrıştırıcı hiperdüzlemi (maximum margin hyperplane) çözen ve çekirdek fonksiyonları ile non-lineer uzaylara genişletilebilen optimizasyon algoritmasıdır.
Gerçek hayatta kullanım
Örnek senaryoMikroskop görüntülerindeki hücrelerin kanserli veya iyi huylu olarak ikiye ayrılmasında, iki hücre grubunu en net ve güvenli sınırla birbirinden ayıran SVM modeli.