Support Vector Machine คืออะไร? อธิบายสำหรับมือใหม่

Updated · By Viviai

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

อ่านต่อ [machine learning คืออะไร](machine-learning-khue-arai) และ [supervised learning คืออะไร](supervised-learning-khue-arai).

หมายเหตุบรรณาธิการ: บทความนี้ผ่านการตรวจสอบข้ามแหล่งแล้วด้วยแหล่งอิสระสองแหล่งจากผู้เผยแพร่ต่างกัน (แหล่งภาษาไทยเดิมและ IBM Think) แต่ยังรอการตรวจทานจากเจ้าของภาษาก่อนเลื่อนสถานะเป็นทางการ

Sources

  1. https://phyblas.hinaboshi.com/20180709
  2. https://www.ibm.com/think/topics/support-vector-machine

Learn by doing

Read a guide, then practice with bite-sized AI lessons you can take offline.

Start learning free