Support Vector Machine (SVM) क्या है? सरल भाषा में समझें
Support vector machine (SVM, सपोर्ट वेक्टर मशीन) एक पर्यवेक्षित शिक्षण एल्गोरिदम है जो वर्गीकरण और समाश्रयण के लिए ऐसा hyperplane (हाइपरप्लेन) ढूँढता है जो कक्षाओं के बीच के margin (मार्जिन) को अधिकतम करे, ताकि नए डेटा पर निर्णय सीमा स्थिर बनी रहे।
सरल अंतर्ज्ञान
किसी कागज़ पर बिंदुओं के दो समूह हैं। कई रेखाएँ उन्हें अलग कर सकती हैं, लेकिन SVM वह रेखा चुनता है जो दोनों समूहों से यथासंभव दूर रहे, जिससे बीच का फ़ासला चौड़ा हो। PrimeLearnPoint इसे कटोरे के उदाहरण से समझाता है: कागज़ के बीच को नीचे दबाने और किनारों को ऊपर उठाने से एक सपाट सतह दोनों समूहों को काट सकती है।
Hyperplane, margin और support vector
| शब्द | इस संदर्भ में अर्थ |
|---|---|
| Hyperplane (हाइपरप्लेन) | निर्णय सीमा; दो आयामों में रेखा, उच्च आयामों में सतह |
| Margin (मार्जिन) | Hyperplane और निकटतम बिंदुओं के बीच का फ़ासला |
| Support vector (सपोर्ट वेक्टर) | सीमा के सबसे निकट के बिंदु जो सीमा का स्थान तय करते हैं |
AI Gyani के अनुसार support vector वे सबसे ज़िद्दी बिंदु हैं जो सीमा के सबसे करीब होते हैं; SVM मुख्य रूप से इन्हीं बिंदुओं पर ध्यान देता है, शेष डेटा से उसे विशेष सरोकार नहीं होता।
SVM कार्य करने के चरण
- एल्गोरिदम डेटा को अलग करने वाले hyperplane की जाँच करता है।
- वह प्रत्येक ओर के support vector से margin मापता है।
- वह सबसे चौड़े margin वाला hyperplane चुनता है।
- नया बिंदु किस ओर आता है, यह देखकर उसका लेबल तय होता है।
हार्ड मार्जिन और सॉफ्ट मार्जिन
| प्रकार | विशेषता | ध्यान देने योग्य बात |
|---|---|---|
| Hard margin (हार्ड मार्जिन) | किसी गलती की अनुमति नहीं देता | शोर पर overfitting का खतरा |
| Soft margin (सॉफ्ट मार्जिन) | थोड़ी गलती होने देता है | सीमा को सामान्य बनाए रखता है |
AI Gyani बताता है कि soft margin थोड़ी गलती की इजाजत देता है लेकिन सीमा को सामान्य रखता है, जिससे नए डेटा पर व्यवहार बेहतर रहता है।
Kernel trick क्या है
जब डेटा सीधी रेखा से अलग न हो सके, तो kernel trick उसे अधिक आयामों वाले स्थान में ले जाता है, जहाँ एक सपाट hyperplane उसे अलग कर सकता है। चालाकी यह है कि SVM नए निर्देशांक स्पष्ट रूप से नहीं गिनता; उसे केवल बिंदुओं के बीच dot products और एक kernel function (K(x, z)) चाहिए। आम कर्नेल प्रकार linear, polynomial और RBF हैं।
फ़ायदे और सीमाएँ
SVM उच्च-आयामी फ़ीचर स्थान और छोटे से मध्यम डेटासेट में कारगर रहता है तथा कर्नेल के ज़रिए जटिल सीमाएँ बना सकता है। दूसरी ओर, बहुत बड़े डेटा पर प्रशिक्षण महँगा पड़ सकता है और कर्नेल तथा मापदंडों का चुनाव जाँचकर करना पड़ता है। इसे अक्सर KNN और random forest से तुलना करके देखा जाता है।
FAQ
SVM क्या है, संक्षेप में?
एक पर्यवेक्षित एल्गोरिदम जो चौड़े margin वाला hyperplane चुनता है और गैर-रैखिक डेटा के लिए कर्नेल का उपयोग करता है।
Hyperplane और margin में क्या अंतर है?
Hyperplane निर्णय सीमा है, जबकि margin उस सीमा और निकटतम बिंदुओं के बीच का फ़ासला है।
Kernel trick क्यों उपयोगी है?
यह डेटा को बिना नए निर्देशांक गिने उच्च आयामों में अलग करने की सुविधा देता है।
क्या SVM केवल वर्गीकरण के लिए है?
नहीं, इसे समाश्रयण के लिए भी लगाया जाता है, हालाँकि वर्गीकरण अधिक प्रचलित है।
मुख्य बिंदु
- SVM चौड़े margin वाला hyperplane ढूँढता है।
- Support vector निकटतम बिंदु हैं जो सीमा तय करते हैं।
- Kernel trick गैर-रैखिक डेटा को संभालता है।
- Soft margin थोड़ी गलती होने देता है ताकि मॉडल सामान्य बना रहे।
आगे पढ़ें machine learning क्या है और supervised learning क्या है.
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free