SVM (ماشین بردار پشتیبان)

آموزش SVM: ابرصفحه جداکننده، حاشیه بیشینه، کرنل‌ها و داده‌های غیرخطی

SVM چیست؟

Support Vector Machine دنبال مرز تصمیمی می‌گردد که دو کلاس را با بیشترین حاشیه (Margin) جدا کند؛ نه فقط هر مرزی!

ابرصفحه (Hyperplane): مرز جداکننده (در ۲بعدی یک خط، در ۳بعدی یک صفحه)
حاشیه (Margin): فاصله مرز تا نزدیک‌ترین نمونه‌های هر کلاس
بردارهای پشتیبان (Support Vectors): نمونه‌های روی مرز حاشیه — فقط همین‌ها مهم‌اند!

چرا حاشیه بزرگ؟ تعمیم بهتر! مرز با حاشیه بزرگ، خطای کمتری روی داده جدید می‌کند.

اگر داده با خط جدا نشود چه؟ کرنل داده را به فضای با ابعاد بالاتر می‌برد که آنجا جداپذیر خطی است:

from sklearn.svm import SVC

model = SVC(kernel="rbf", C=1.0, gamma="scale")
model.fit(X_train, y_train)

پارامتر	معنی	اثر
`C`	جریمه خطا	بزرگ: حاشیه کوچک، Overfitting / کوچک: حاشیه بزرگ، Underfitting
`gamma`	پهنایی کرنل rbf	بزرگ: مرز پیچیده، Overfitting / کوچک: مرز نرم

SVM شدیداً به مقیاس حساس است. همیشه قبل از SVM، داده را با StandardScaler استاندارد کنید.

مزایا	معایب
در فضای پربعدعالی است	کند روی داده بزرگ
با کرنل، غیرخطی قدرتمند	تنظیم C و gamma سخت
حافظه کم (فقط بردارهای پشتیبان)	احتمال خروجی ندارد (خام)

این مبحث بخشی از دوره آموزش کامل ماشین لرنینگ است.