دراسة مقارنة لتحسين دقة التصنيف باستخدام نماذج SVM (دراسة نطبيقية)
الكلمات المفتاحية:
آلة المتجه الداعم ثنائي الاستجابة، آلة المتجه الداعم متعدد الاستجابة، دالة الإشعاع RBF -الدالة متعددة الحدود Polynomialالملخص
هدفت هذه الدراسة إلى تقييم أداء نماذج آلة المتجه الداعم (SVM) في تصنيف البيانات، مع مقارنة تأثير نوع الدالة المستخدمة وطبيعة الاستجابة على دقة التصنيف، باستخدام البرنامج الإحصائي ORANGE. تم تطبيق ثلاث طرق مختلفة لتقييم الأداء: Test On Train Data، وCross Validation، وRandom Sampling. ، أظهرت نتائج الدراسة، أن دقة التصنيف في نماذج آلة المتجه الداعم (SVM) تختلف باختلاف نوع الدالة المستخدمة وطبيعة الاستجابة. فقد بينت النماذج ثنائية الاستجابة أن استخدام دالة الإشعاع (RBF) حقق أعلى دقة تصنيف مقارنة بالدوال متعددة الحدود (Polynomial) وSigmoid، مع ترتيب طرق التقييم من حيث الدقة كالتالي :
Test On Train Data الأعلى، يليه Cross Validation، ثم Random Sampling الأقل دقة. أما في النماذج متعددة الاستجابة، فقد كانت الدقة الأعلى باستخدام الدالة متعددة الحدود (Polynomial) مقارنة بدالة الإشعاع (RBF) وSigmoid، مع الحفاظ على نفس ترتيب طرق التقييم. وبناءً على هذه النتائج، توصي الدراسة بالاعتماد على نماذج SVM متعددة الاستجابة في الدراسات الإحصائية المستقبلية الخاصة بالبيانات متعددة الاستجابة نظرًا لدقتها العالية، مع استخدام مصفوفة التشويش كأداة فعّالة لتقييم أداء النموذج من خلال مقارنة الحالات الإيجابية والسلبية المصنفة بشكل صحيح أو غير صحيح. كما أكدت الدراسة على أهمية تعزيز الرعاية الصحية لمرضى القلب عبر توفير المستشفيات والمراكز الطبية المتخصصة، وضمان توفير العلاج اللازم لهم، بالإضافة إلى دعم وتشجيع الدراسات والبحوث المتعلقة بأمراض القلب لتحسين النتائج العلاجية وفهم أفضل للمرض
المراجع
جاب الله, & محمود أسامة مصطفى السيد. (2024). استخدام تقنية SVM في رصد وتقييم دور الإنسان كعامل جيومورفولوجي على سواحل بحيرة المنزلة خلال الفترة الممتدة بين عامي (1984م-2024م) دراسة في الجيومورفولوجيا التطبيقية. المجلة العلمية بکلية الآداب, 2024(56), 708-736.
سالم، أحمد محمد. (2025). المقارنة بين نماذج آلة المتجه الداعم في تصنيف البيانات (دراسة تطبيقية). مجلة البحوث المالية والتجارية، 26(3)، 138–162.
Amari, S., & Wu, S. (2021). Improving kernel-based classification models for biomedical data. Journal of Machine Learning Research, 22(1), 1–25.
Ben-Hur, A., & Weston, J. (2019). A user’s guide to support vector machines. In Methods in Molecular Biology.
Cai, W., Cai, M., Li, Q., & Liu, Q. (2023). Three way Imbalanced Learning based on Fuzzy Twin SVM. arXiv. https://arxiv.org/abs/2301.
Chen, L., Zhang, Y., & Wu, X. (2023). Machine learning-based heart disease prediction using clinical and demographic features. IEEE Access.
Duarte, J., & Ribeiro, J. (2023). Advances in multi-class support vector machines for educational data classification. International Journal of Data Science and Analytics, 17(1), 25–41.
El Maouaki, W., Said, T., & Bennai, M. (2024). Quantum support vector machine for prostate cancer detection: A performance analysis. arXiv. https://arxiv.org/
Halagundegowda, G. R., Singh, A., T. L., M. K., & Naveena, K. (2023). Evaluation of classification ability of support vector machine (SVM) in binary classification problems. International Journal of Statistical Applications and Mathematics, 8(5), 07–13.
Hastie, T., Tibshirani, R., & Friedman, J. (2022). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). Springer.
Hsu, C.-W., & Lin, C.-J. (2021). A Comparison of Methods for Multi-class Support Vector Machines. IEEE Transactions on Neural Networks, 32(6), 2345–2357.
Islam, M., Rahman, S., & Akter, N. (2024). Advanced predictive modeling for heart disease using hybrid machine learning techniques. Expert Systems with Applications.
Karam, F., & Chen, D. (2024). Socioeconomic predictors of student achievement: A global perspective. International Journal of Educational Research, 125.
Khan, T., Alshurideh, M., & Salloum, S. (2023). Predicting student performance using machine learning: A systematic review. Education Sciences, 13(4).
Kowsari, K., Brown, D., & Barnes, L. (2022). Evaluation of kernel-based support vector machines for multi-class problems. Machine Learning and Data Analytics Review, 12(2), 98–115.
Kumar, A., & Mishra, D. (2025). Improving Support Vector Machine using Modified Kernel Function. International Journal of Scientific Research and Modern Technology, 4(5), 1–5.
Lee, J., & Kim, S. (2024). Gender differences in academic performance among secondary students. Journal of Educational Psychology, 116(2).
Li, Q., & Wang, P. (2024). Cardiovascular risk prediction using optimized classification algorithms. Journal of Biomedical Informatics.
Müller, K. R., Mika, S., Rätsch, G., Tsuda, K., & Schölkopf, B. (2022). An introduction to kernel-based learning algorithms. IEEE Transactions on Neural Networks and Learning Systems.
Okfalisa, S., Ahmed, A., et al. (2021). SVM is a classification method that produces a fairly high degree of accuracy. Journal of Engineering Science and Technology, 16(2), 1372–138?. JESTEC.
Powers, D. M. W. (2020). Evaluation: From Precision, Recall and F-Measure to ROC, Informedness, Markedness & Correlation. Journal of Machine Learning Technologies, 2(1), 37–63.
Rahman, M., & Yadav, R. (2023). Heart disease prediction using supervised learning models: A comparative study. Applied Intelligence.
Roy, A., & Singh, R. (2024). Multiclass classification approaches for predicting students’ academic outcomes. Applied Intelligence, 54.
Sahu, S. K., & Tripathy, B. K. (2023). Applications, Strengths and Limitations of Support Vector Machines in Data Classification. Journal of Machine Learning Research, 24(12), 1–19.
Schölkopf, B., & Smola, A. J. (2018). Learning with kernels: Support vector machines, regularization, optimization, and beyond. MIT Press.
Sholihah, W., Handayani, A. S., & Sarjana, S. (2023). Revolutionizing healthcare: Comprehensive evaluation and optimization of SVM kernels for precise general health diagnosis. Scientific Journal of Informatics, 10(4). https://journal.unnes.ac.id
Zhang, L., & Wu, X. (2023). An Improved Gaussian Kernel for SVM Classification. Journal of Intelligent & Fuzzy Systems, 45(2), 1957–1972.
Zhang, Y., & Wang, S. (2021). Support vector machines for multi-class classification: A comparative study of kernel functions. Journal of Intelligent Systems, 30(4), 543–558.
Zhu, L., Chen, H., & Li, Y. (2023). Age-related factors affecting academic performance: A meta-analysis. Learning and Instruction, 85.
