Sosyal Ağlarda Makine Öğrenmesi 11 [ Kernel SVM ]

Bu bölümde SVM’de Kernel olayına daha yakından bakacağız ve Kernel SVM’ye neden ihtiyaç duyduğumuzu anlayacağız. Bir önceki algoritmamızda doğrusal olarak ayrılabilen bir durumu ele almıştık. Bir doğru çizerek iki durumu ayırabiliyorduk. Peki her zaman işle böyle olur mu ? Örneğin aşağıdaki görselin veri setine bakalım.

Sizce bu veri seti nasıl ayrılabilir ? Tek bir çizgi ayırmaya yeter mi ?

Bu veri setine baktığımızda ayırmak için ortadan yukarıya doğru bir yükselme veya aşağıya doğru çökme olması gerektiğini düşünebiliriz. Yani üçüncü boyuta geçerek çözüm üretmeyi. Kernel SVM de bu tarz durumlarda sorunu çözüyor.

Görüldüğü gibi kernel SVM çözümünde orta kısım yükseliyor ve ayrışıyor. Tabi k sihirle değil matematikle 🙂

Burada yapılan boyutlandırma mapping function, haritalama fonksiyonu şeklinde geçiyor. Dezeavantajı ise çok fazla güç harcamasından dolayı büyük veri setlerinde uygulamasının zor olması. Bu sorunun önüne geçmek için de matematikte Kernel Trick, Kernel hilesi olarak isimlendirilen yöntem kullanılıyor.

İkinci boyuttan üçüncü boyuta geçerken görüldüğü gibi bir dönüşüm kullanılıyor.

Peki SVM’deki kernel türleri sonucu nasıl etkiliyor ?

[Görsel Kaynak]

You may also like...

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir