Destek Vektör Makinesi (SVM)
Veri setinizdeki kategorik hedef değişkeni yüksek doğrulukla sınıflandırın. RBF, Doğrusal ve Polinom kernel seçenekleriyle confusion matrix ve permutation importance dahil tam ML raporu.
SVM Modeli
RBF, Doğrusal veya Polinom kernel ve C düzenleme parametresiyle Destek Vektör Makinesi eğitilir.
Permutation Importance
Her değişkenin sınıflandırmaya gerçek katkısı permütasyon yöntemiyle hesaplanır ve sıralanır.
Confusion Matrix
Test seti üzerindeki doğruluk, kesinlik, duyarlılık ve F1 skoru raporlanır.
PDF Rapor
Metrikler, confusion matrix ve APA formatında raporlama cümlesi PDF olarak indirilir.
Nasıl Çalışır?
CSV veya Excel dosyanızı yükleyin.
Analiz otomatik olarak saniyeler içinde tamamlanır.
Sonuçları ekranda görün ve PDF olarak indirin.
Ücretsiz hesap açın, hemen kullanmaya başlayın.
Başla — ÜcretsizDestek Vektör Makinesi (SVM), sınıflar arasındaki marjini maksimize eden bir karar sınırı (hyperplane) bulan gözetimli öğrenme algoritmasıdır. Doğrusal olarak ayrılamayan veriler için çekirdek fonksiyonları (RBF, polinom) ile yüksek boyutlu uzaya projeksiyon yapar. Küçük ve orta ölçekli veri setlerinde yüksek doğruluk oranları elde edebilir.
Ne Zaman Kullanılır?
İkili veya çok sınıflı sınıflandırma problemlerinde kullanın. Özellik sayısının gözlem sayısına yakın ya da daha fazla olduğu durumlarda (metin sınıflandırma, genomik veriler) güçlü performans gösterir. Büyük veri setlerinde eğitim süresi uzayabileceğinden alternatif yöntemler değerlendirilebilir.
Varsayımlar ve Sınırlılıklar
Normalleştirme: Özellikler benzer ölçeğe getirilmelidir; SVM büyük ölçek farklarına duyarlıdır. C parametresi (düzenlileştirme): Küçük C daha geniş marji, büyük C eğitim hatasına daha az tolerans sağlar. Çekirdek seçimi: Doğrusal ayırt edilebilir veriler için linear; karmaşık ilişkiler için RBF çekirdeği önerilir.
Sonuçlar Nasıl Yorumlanır?
Doğruluk, F1 skoru, AUC-ROC: Sınıflandırma başarısının temel ölçütleri. Destek vektörleri: Karar sınırını belirleyen, marjine en yakın eğitim örnekleri. Karmaşıklık matrisi: Hangi sınıfların daha sık karıştırıldığını gösterir.
APA Formatı Örneği
RBF çekirdekli SVM modeli (C = 1.0, γ = "scale") test setinde F1 = .84, AUC = .91 değerlerine ulaşmıştır.
Sık Sorulan Sorular
SVM mi, karar ağacı mı tercih etmeliyim?
SVM yüksek boyutlu verilerde ve az gözlemde güçlüdür; ancak yorumlanması zordur. Karar ağacı daha yorumlanabilir ve büyük veri setlerinde daha hızlıdır.
Çekirdek fonksiyonunu nasıl seçerim?
Başlangıç olarak RBF çekirdeği deneyin; çoğu durumda iyi sonuç verir. Doğrusal veri setleri için linear, polinom ilişkiler için poly çekirdeği değerlendirilebilir.
Bu analizi kendiniz yapmak yerine uzmanına bırakmak ister misiniz?
Verilerinizi gönderin, uzman analistlerimiz Destek Vektör Makinesi (SVM) analizini sizin adınıza gerçekleştirip raporlasın. Ücretsiz ön değerlendirme ile başlayın.
Ücretsiz Proje Talebi Gönder