Support Vector Machine คืออะไร? อธิบายสำหรับมือใหม่
Support Vector Machine (SVM) หรือเครื่องเวกเตอร์ค้ำยัน เป็นอัลกอริทึมการเรียนรู้แบบมีผู้สอนที่ใช้จำแนกข้อมูล โดยค้นหาระนาบแบ่ง (ไฮเปอร์เพลน) ที่ทำให้ระยะห่างระหว่างกลุ่มข้อมูลกว้างที่สุด; จุดข้อมูลที่อยู่ใกล้ระนาบนี้เรียกว่าเวกเตอร์ค้ำยัน และเมื่อข้อมูลแยกแบบเส้นตรงไม่ได้ จะใช้กลวิธีเคอร์เนลช่วย
SVM ทำงานอย่างไร
SVM มองข้อมูลเป็นจุดในปริภูมิหลายมิติ แล้วพยายามวางระนาบแบ่งที่แยกกลุ่มออกจากกัน จุดเด่นคือมันไม่หาเพียงเส้นแบ่งใด ๆ แต่เลือกเส้นแบ่งที่มีระยะขอบ (margin) กว้างที่สุด เพื่อให้การทำนายข้อมูลใหม่คลาดเคลื่อนน้อยลง
ระยะขอบและเวกเตอร์ค้ำยัน
| คำศัพท์ | ความหมาย |
|---|---|
| ระนาบแบ่ง (hyperplane) | เส้นหรือระนาบที่แยกกลุ่มข้อมูล |
| ระยะขอบ (margin) | ระยะห่างจากระนาบแบ่งถึงจุดข้อมูลที่ใกล้ที่สุด |
| เวกเตอร์ค้ำยัน (support vector) | จุดข้อมูลที่อยู่ชิดขอบเขตและกำหนดตำแหน่งระนาบ |
เวกเตอร์ค้ำยันมีบทบาทสำคัญ เพราะตำแหน่งระนาบแบ่งถูกกำหนดโดยจุดเหล่านี้ หากนำจุดอื่นที่อยู่ห่างออกไป ผลลัพธ์อาจไม่เปลี่ยน
ข้อมูลที่แยกด้วยเส้นตรงไม่ได้
ในข้อมูลบางชุด ไม่มีเส้นตรงใดแยกกลุ่มได้สะอาด SVM ใช้กลวิธีเคอร์เนล (kernel trick) เพื่อเปรียบเทียบข้อมูลผ่านฟังก์ชันเคอร์เนล โดยไม่ต้องแปลงพิกัดทั้งหมดออกมาอย่างชัดเจน เคอร์เนลที่พบบ่อยได้แก่เชิงเส้น โพลิโนเมียล และ RBF
ข้อดีและข้อจำกัด
| ด้าน | รายละเอียด |
|---|---|
| ข้อดี | ใช้ได้ดีกับข้อมูลมิติสูงและจำนวนตัวอย่างไม่มาก |
| ข้อดี | การเพิ่มระยะขอบช่วยลดผลของข้อมูลรบกวน |
| ข้อจำกัด | เมื่อข้อมูลมีขนาดใหญ่ คำนวณได้ช้าลง |
| ข้อจำกัด | การเลือกเคอร์เนลและค่าพารามิเตอร์ต้องทดสอบ |
กรณีการใช้งาน
SVM ถูกนำไปใช้ในงานจำแนกประเภทหลายรูปแบบ เช่น การจำแนกข้อความ การจดจำใบหน้า และการตรวจจับวัตถุ ทั้งนี้ความเหมาะสมขึ้นกับลักษณะข้อมูลและการปรับพารามิเตอร์
FAQ
SVM ต่างจากวิธีจำแนกอื่นอย่างไร?
SVM เน้นหาระนาบแบ่งที่มีระยะขอบกว้างที่สุด แทนที่จะหาเส้นแบ่งใด ๆ ที่แยกข้อมูลได้
เวกเตอร์ค้ำยันคืออะไร?
คือจุดข้อมูลที่อยู่ใกล้ระนาบแบ่งที่สุดและกำหนดตำแหน่งของระนาบนั้น
เคอร์เนลทริกช่วยอะไร?
ช่วยจำแนกข้อมูลที่แยกด้วยเส้นตรงไม่ได้ โดยเปรียบเทียบผ่านฟังก์ชันเคอร์เนลโดยไม่ต้องแปลงพิกัดทั้งหมด
SVM เหมาะกับข้อมูลแบบไหน?
มักใช้ได้ดีกับข้อมูลมิติสูงและชุดตัวอย่างขนาดกลาง ส่วนข้อมูลขนาดใหญ่มากอาจต้องพิจารณาเวลาคำนวณ
สรุป
- SVM หาระนาบแบ่งที่ทำให้ระยะขอบกว้างที่สุด
- เวกเตอร์ค้ำยันเป็นจุดที่กำหนดตำแหน่งระนาบ
- เคอร์เนลทริกช่วยจัดการข้อมูลที่ไม่แยกเป็นเส้นตรง
- การเลือกเคอร์เนลและพารามิเตอร์ต้องผ่านการทดสอบ
อ่านต่อ [machine learning คืออะไร](machine-learning-khue-arai) และ [supervised learning คืออะไร](supervised-learning-khue-arai).
หมายเหตุบรรณาธิการ: บทความนี้ผ่านการตรวจสอบข้ามแหล่งแล้วด้วยแหล่งอิสระสองแหล่งจากผู้เผยแพร่ต่างกัน (แหล่งภาษาไทยเดิมและ IBM Think) แต่ยังรอการตรวจทานจากเจ้าของภาษาก่อนเลื่อนสถานะเป็นทางการ
Sources
Learn by doing
Read a guide, then practice with bite-sized AI lessons you can take offline.
Start learning free