--- title: Destek Vektör Makineleri slug: destek-vektor-makineleri url: /detay/destek-vektor-makineleri type: article language: Türkçe entity: primary: Destek Vektör Makineleri type: article disambiguation: Destek Vektör Makineleri (SVM): Denetimli öğrenme algoritması, sınıflandırma ve regresyon için ideal. Yüksek boyutlu verilerde etkilidir. categories: - name: Matematik slug: matematik url: /kategori/matematik - name: Yazılım Ve Yapay Zekâ slug: yazilim-ve-yapay-zeka url: /kategori/yazilim-ve-yapay-zeka tags: - Hiperdüzlem - Kernel Fonksiyonları - Destek Vektör Makineleri - Sınıflandırma - Makine Öğrenmesi author: Beyza Nur Türkü created_at: 2025-01-28T10:54:39.821381+03:00 updated_at: 2025-04-17T12:34:39.669228+03:00 --- # Destek Vektör Makineleri ## Article Content Destek Vektör Makineleri (Support Vector Machines-SVM), [denetimli öğrenme](/tr/detay/denetimli-ogrenme-3f18e/llms.txt) (supervised learning) yöntemlerinden biridir ve hem sınıflandırma (classification) hem de [regresyon](/tr/detay/regresyon-751925/llms.txt) (regression) problemlerinde kullanılır. SVM, özellikle yüksek boyutlu [veri](/tr/detay/veri-2/llms.txt) setlerinde etkili bir şekilde çalışabilen güçlü bir [makine öğrenmesi](/tr/detay/makine-ogrenmesi-748491/llms.txt) algoritmasıdır. Temel amacı, veriyi sınıflandırmak veya ayırmak için optimal bir hiperdüzlem (optimal hyperplane) bulmaktır. #### **Tanımı** Destek vektör makineleri literatürde, hem sınıflandırma hem de regresyon analizinde kullanılmasına rağmen genel olarak sınıflandırma işlemlerinde daha çok tercih edilen bir makine [öğrenme](/tr/detay/ogrenme-aab82/llms.txt) yöntemidir. Bu [yöntem](/tr/detay/yontem-2/llms.txt) denetimli bir öğrenme modeline dayanmaktadır. Algoritmanın çalışması esnasında verilerin türüne bağlı olarak çekirdek fonksiyonlarda kullanılabilmektedir. Bu sayede hem doğrusal hem de doğrusal olmayan sınıflandırma işlemlerini gerçekleştirilebilmektedir. Eğer sınıflandırma işleminde, [tam](/tr/detay/tam/llms.txt) ayrıştırılabilir veriler kullanılırsa genellikle tüm veriler bir hiper düzlem ile sınıflandırılabilmektedir. [Fakat](/tr/detay/fakat/llms.txt), eğer tam ayrıştırılamayan veriler kullanılırsa, çoğunlukla aynı boyutta tek bir düzlem ile sınıflandırılamamaktadır. Bu nedenle de farklı çekirdek fonksiyonları kullanılmaktadır. #### **Çalışma Mantığı** SVM'nin [çalışma](/tr/detay/calisma/llms.txt) mantığı şu adımlara dayanır: **1- Veri Dönüşümü**: - SVM, veriyi daha yüksek boyutlu bir uzaya dönüştürür (örneğin, kernel fonksiyonları kullanarak). Bu, doğrusal olarak ayrılamayan verilerin doğrusal olarak ayrılabilir hale gelmesini sağlar. **2- Hiperdüzlem Bulma**: - SVM, iki sınıf arasında** **en geniş marjine** **sahip olan hiperdüzlemi bulur. Bu hiperdüzlem, sınıfları en iyi şekilde ayıran sınırdır. **3- Destek Vektörleri**: - Hiperdüzleme en yakın olan veri noktalarına destek vektörleri denir. Bu noktalar, modelin karar sınırını belirler. **4- Kernel Trick (Çekirdek Hilesi)**: - Doğrusal olarak ayrılamayan veriler için, SVM kernel fonksiyonları kullanır. Yaygın kernel fonksiyonları şunlardır: - **Doğrusal Kernel: **K(x,y)=xTy - **Polinom Kernel:** K(x,y)=(xTy+c)d - **Radyal Tabanlı Fonksiyon (RBF) Kernel: **K(x,y)=exp⁡(−γ∥x−y∥2) - **Sigmoid Kernel: **K(x,y)=tanh⁡(αxTy+c) **5- Optimizasyon**: - SVM, bir ikinci dereceden programlama (quadratic programming) problemi çözerek hiperdüzlemi bulur. Bu, sınıflar arasındaki marjini maksimize ederken sınıflandırma hatasını minimize eder. #### **Kullanım Alanları** - **Metin Sınıflandırması**: Spam e-posta tespiti, duygu analizi ve belge kategorizasyonu gibi problemlerde kullanılır. - **Görüntü Sınıflandırması**: Nesne tanıma, yüz tanıma ve tıbbi görüntü analizi gibi alanlarda etkilidir. - **Biyoinformatik**: Protein yapısı tahmini, gen ekspresyonu analizi ve hastalık teşhisi gibi problemlerde kullanılır. - **Finansal Tahminler**: Hisse senedi fiyat tahmini, kredi skorlama ve risk analizi gibi alanlarda kullanılır. - **El Yazısı Tanıma**: Posta kodlarının tanınması veya el yazısı karakterlerin sınıflandırılması gibi uygulamalarda kullanılır. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/01/28/GvMFJ1UrKgvU8qt6OLIkVLVVvVyPfxPT.png) *Destek Vektör Makinelerinin iki boyutta temsili gösterimi* ##### ##### **Destek Vektör Makinesi Algoritması Kullanılarak Iris Veri Seti Üzerinde Uygulama Örneği** Veri setinde bulunan özelliklerden Sepal Uzunluk ve Sepal Genişlik türleri üzerinden türler arasındaki korelasyonları gözlemlemek için özelliklerin dağımı incelenir. Özelliklerin grafik üzerinde görselleştirilmesi: ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/01/28/01w06y3IJUlG1t2B62wHW70zRPXYt5Ti.png) Aynı şekilde, veri setinde bulunan özelliklerden Petal Uzunluk ve Petal Genişlik dağılımı incelenir. Özelliklerin grafik üzerinde dağılımı: ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/01/28/l8zRWMzYJ6y6l1mWucPLym6EoCUkcDwG.png) Çiçeğin ait olduğu sınıfın türünü tahmin etmek için ilk iki özelliği (Sepal Uzunluk ve Sepal Genişlik) kullanarak br SVM modeli oluşturulur. Oluşturulan [yapı](/tr/detay/yapi-2/llms.txt) için lineer ve lineer olmayan modellemeler üzerinden çekirdek işlemleri gerçekleştirilir. Sınıflandırma modelleri görselleştirildiğinde aşağıdaki grafikler elde edilir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/01/28/JC5mjUByYr0gTqgGHArNCuWflcuCMpSG.png) Farklı Gama (γ) değerleri (0.1, 1, 10, 100) üzerinden çeşitli çekirdekleri gözlemleyerek hiperparametre ayarı oluşturulur. Elde edilen grafiklerde gama değeri arttıkça model uyumunda artış gözlemlenmektedir. ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/01/28/g4kAiz4DezdBzZzueXI7lAA7ttsuUgJY.png) ![Image](https://cdn.kureansiklopedi.com/media/uploads/2025/01/28/HfBKboA7M8OLSw8jT3e30B3Ym1jxVW1a.png) ##### **Avantaj ve Dezavantajları** - Düşük ölçekli-kapasiteli veri kümeleri için çok hızlı ve doğruluk oranı yüksek bir yöntemdir. - Büyük veri kümelerinde eğitim verisi üzerindeki işleme süresi yüksek olduğundan sonuç çıktısı uzun sürmektedir. - Doğrusal ve Doğrusal Olmayan veri kümeleri için uygulanabilir. - İç-içe veri kümelerinde düşük oranda etkili ve hassas olduğundan doğruluk oranları düşüktür. - Yüksek boyutlu veri kümelerinde sonuç odaklı olarak etkili bir çözümdür. - Düşük bir iyileştirme-bakım (Gama/C) ile yüksek doğruluk değerlerine ulaşılabilir.  - Çekirdekleme (Kernel Trick) işlemlerinde yüksek ölçüde zaman kaybı oluşturmaktadır. ## Academic Sources and References 1. Ozturk, M. " Python ile Sınıflandırma Analizleri - Destek Vektör Makineleri", 2021. https://miracozturk.com/python-ile-siniflandirma-analizleri-destek-vektor-makinasi-dvm/Kayaalp, K. Metlek, S. Makine Öğrenmesinde, Teoriden Örnek Matlab Uygulamalarına Kadar Destek Vektör Makineleri. İksad Yayıncılık. Ankara, 2020. Scikit-learn. "Support Vector Machines." https://scikit-learn.org/1.5/modules/svm.htmlIBM. "What are support vector machines?." https://www.ibm.com/think/topics/support-vector-machineGeekforGeeks. "Support Vector Machine Algorithm", 2025. https://www.geeksforgeeks.org/support-vector-machine-algorithm/