Support Vector Machine (SVM) হল একটি শক্তিশালী এবং জনপ্রিয় মেশিন লার্নিং অ্যালগরিদম যা মূলত ক্লাসিফিকেশন এবং রিগ্রেশন সমস্যা সমাধানে ব্যবহৃত হয়। SVM মূলত একটি সুপারভাইজড লার্নিং মডেল, যা ডেটার মধ্যে শ্রেণীভিত্তিক (class-based) প্যাটার্ন খুঁজে বের করার জন্য ব্যবহৃত হয়। এর কাজ হল ডেটাকে বিভিন্ন শ্রেণীতে ভাগ করা, এবং শ্রেণীভিত্তিক সীমানা বা ফাঁক (boundary) সৃষ্টি করা, যাতে নতুন ডেটা আসলে তা সঠিক শ্রেণীতে পড়বে।
SVM এর মৌলিক ধারণা
SVM মূলত দুটি শ্রেণীর মধ্যে সর্বোচ্চ মার্জিন (maximum margin) সীমানা (boundary) তৈরি করতে চেষ্টা করে, যাতে এটি নতুন ডেটাকে সঠিকভাবে শ্রেণীভুক্ত করতে পারে। এই সীমানাকে হাইপারপ্লেন (hyperplane) বলা হয়।
১. হাইপারপ্লেন (Hyperplane):
SVM মডেল দুটি শ্রেণী (class) আলাদা করার জন্য একটি সীমানা বা ফাঁক (boundary) তৈরি করে, যা সাধারণত একটি হাইপারপ্লেন (hyperplane) হয়ে থাকে। এটি একটি সমতল বা উচ্চমাত্রায় (dimensional space) একটি রেখা হতে পারে, যা ডেটাকে দুই ভাগে বিভক্ত করে।
- ডুয়াল-ডাইমেনশনাল স্পেসে: এটি একটি সোজা রেখা হতে পারে (যেমন, ২D plane এর মধ্যে সোজা লাইন)।
- হাইয়ার-ডাইমেনশনাল স্পেসে: এটি একটি সমতল বা উচ্চতর মাত্রায় একটি সীমানা হয়ে থাকে।
২. সাপোর্ট ভেক্টর (Support Vectors):
SVM এর মূল ধারণা হল, দুটি শ্রেণীকে আলাদা করার জন্য যতটুকু সম্ভব সীমানার সাথে কাছাকাছি পয়েন্টগুলি ব্যবহার করা। যেসব ডেটা পয়েন্ট হাইপারপ্লেনের কাছাকাছি থাকে এবং শ্রেণীভেদকারী সীমানা তৈরি করতে সাহায্য করে, তাদের সাপোর্ট ভেক্টর বলা হয়।
- সাপোর্ট ভেক্টরগুলি মডেলকে শ্রেণীভিত্তিক সীমানা (boundary) নির্ধারণ করতে সহায়ক হয়।
- এই পয়েন্টগুলির মধ্যেই প্রধান তথ্য লুকানো থাকে।
৩. ম্যাক্সিমাম মার্জিন (Maximum Margin):
SVM সর্বোচ্চ মার্জিন তৈরি করতে চেষ্টা করে, অর্থাৎ এমন একটি সীমানা তৈরি করতে যা দুই শ্রেণীর মধ্যে সবচেয়ে বেশি দূরত্ব বজায় রাখে। এর ফলে, নতুন ডেটা পয়েন্টগুলি সঠিক শ্রেণীতে প্রবাহিত হওয়ার সম্ভাবনা বেড়ে যায়। যত বেশি দূরত্বে সীমানাটি থাকবে, তত বেশি শ্রেণীভিত্তিক সঠিকতা পাওয়া যাবে।
৪. কর্নেল ট্রিক (Kernel Trick):
SVM মডেলটি সাধারণত লিনিয়ার (linear) ডেটার জন্য উপযুক্ত, কিন্তু অনেক সময় ডেটা লিনিয়ার নয়। এমন ক্ষেত্রে, SVM কে কর্নেল ট্রিক ব্যবহার করে নন-লিনিয়ার (non-linear) ডেটা শিখতে সহায়ক করে তোলা যায়। এটি ডেটাকে একটি উচ্চ মাত্রায় ম্যাপ (map) করে, যেখানে ডেটা সহজে বিভক্ত হতে পারে। বিভিন্ন ধরণের কনভলিউশনাল কর্নেল ব্যবহৃত হতে পারে, যেমন:
- লাইনিয়ার কর্নেল: যখন ডেটা সরলভাবে বিভক্ত হতে পারে।
- পলিনোমিয়াল কর্নেল: যখন ডেটা পলিনোমিয়াল রূপে বিভক্ত হয়।
- গাউসিয়ান রেডিয়াল বেসিস ফাংশন (RBF): একটি শক্তিশালী নন-লিনিয়ার কর্নেল, যা ডেটার আরও জটিল সম্পর্ক বুঝতে সাহায্য করে।
SVM এর প্রকারভেদ
- Binary Classification:
- SVM সবচেয়ে বেশি binary classification (দ্বৈত শ্রেণী বিভাজন) কাজে ব্যবহৃত হয়, যেখানে দুটি শ্রেণী বিভক্ত করার জন্য একটি হাইপারপ্লেন তৈরি করা হয়। উদাহরণস্বরূপ, একটি ইমেইল স্প্যাম বা নন-স্প্যাম হিসেবে শ্রেণীভুক্ত করা।
- Multiclass Classification:
- SVM multiclass classification (একাধিক শ্রেণী বিভাজন) সমাধান করতে ব্যবহৃত হতে পারে। সাধারণত one-vs-all বা one-vs-one পদ্ধতি ব্যবহার করা হয়।
- Regression (SVR):
- SVM শুধুমাত্র ক্লাসিফিকেশন নয়, বরং সাপোর্ট ভেক্টর রিগ্রেশন (SVR) এর মাধ্যমে রিগ্রেশন কাজেও ব্যবহৃত হয়, যেখানে নির্দিষ্ট পরিমাণ মান পূর্বাভাস করা হয়।
SVM এর উপকারিতা
- দ্রুত এবং কার্যকরী: SVM খুবই কার্যকরী যখন ডেটার সঠিক শ্রেণী নির্ধারণ করতে হয়, বিশেষ করে উচ্চ মাত্রার ডেটাতে।
- ম্যাক্সিমাম মার্জিন: এটি ডেটা শ্রেণীভুক্তির ক্ষেত্রে সর্বোচ্চ সীমানা তৈরি করতে সাহায্য করে, যার ফলে সাধারণীকরণ (generalization) ভালো হয়।
- নন-লিনিয়ার ডেটার সাথে কার্যকর: কর্নেল ট্রিক ব্যবহার করে সিএমকে নন-লিনিয়ার ডেটার জন্যও উপযোগী করা যায়।
SVM এর সীমাবদ্ধতা
- কম্পিউটেশনাল খরচ: SVM মডেল ট্রেনিং করার জন্য অনেক সময় এবং কম্পিউটেশনাল শক্তির প্রয়োজন হয়, বিশেষ করে বড় ডেটাসেটের ক্ষেত্রে।
- হাইপারপ্লেন নির্বাচনে অসুবিধা: SVM কার্যকরী হতে পারে যখন ডেটা সঠিকভাবে বিভক্ত করা যায়, তবে কিছু পরিস্থিতিতে এটি সঠিক ফলাফল দিতে পারে না।
- সুপারভাইজড লার্নিং: SVM একটি সুপারভাইজড লার্নিং অ্যালগরিদম, তাই এর জন্য লেবেল করা ডেটার প্রয়োজন হয়।
SVM এর উদাহরণ (Python)
এখানে একটি সাধারণ SVM ক্লাসিফিকেশন উদাহরণ দেওয়া হলো, যেখানে Scikit-learn লাইব্রেরি ব্যবহার করা হয়েছে:
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# Iris ডেটাসেট লোড করা
iris = datasets.load_iris()
X = iris.data
y = iris.target
# ডেটা ভাগ করা
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# SVM মডেল তৈরি করা
model = SVC(kernel='linear') # লাইনিয়ার কর্নেল ব্যবহার করা হচ্ছে
model.fit(X_train, y_train)
# পূর্বাভাস করা
y_pred = model.predict(X_test)
# সঠিকতা (Accuracy) গণনা করা
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy}')
সারাংশ
Support Vector Machine (SVM) একটি শক্তিশালী মেশিন লার্নিং অ্যালগরিদম, যা শ্রেণীভিত্তিক সমস্যাগুলির জন্য কার্যকরী। এটি ডেটার মধ্যে শ্রেণী বিভাজন করতে হাইপারপ্লেন তৈরি করে, যা সর্বোচ্চ মার্জিন নিশ্চিত করে। SVM মডেলটি নন-লিনিয়ার ডেটার জন্য কর্নেল ট্রিক ব্যবহার করতে সক্ষম, যা এটি আরও শক্তিশালী এবং লচিল করতে সাহায্য করে।
