Hiperdüzlem (Hyperplane)

Hiperdüzlem nedir?

Hiperdüzlem (hyperplane), bulunduğu uzayı iki ayrı bölgeye ayıran, o uzaydan bir boyut daha az olan düz bir yüzeydir. İki boyutlu bir kâğıt üzerinde çizilen bir doğru, kâğıdı iki tarafa ayırır; bu doğru iki boyutlu uzayda bir hiperdüzlemdir. Üç boyutlu bir odada ise odayı ikiye bölen düz bir duvar hiperdüzlemdir.

Makine öğrenmesinde veriler genellikle çok daha fazla boyutludur. Her özellik bir boyut demektir; yüz özellikli bir veri kümesi yüz boyutlu bir uzayda yaşar. Burada hiperdüzlem, 99 boyutlu bir "duvar" olur. Onu hayal edemeyiz ama matematiksel olarak iki boyuttaki çizgiyle tamamen aynı şekilde çalışır.

Nasıl çalışır?

Bir hiperdüzlem, bir ağırlık vektörü ve bir sabit terimle (bias) tanımlanır. Bir veri noktasının hiperdüzlemin hangi tarafında olduğunu bulmak için noktanın özellikleri ağırlıklarla çarpılıp toplanır ve bias eklenir. Sonuç pozitifse nokta bir tarafta, negatifse diğer taraftadır.

Bu, doğrusal sınıflandırıcıların temel çalışma prensibidir. Lojistik regresyon ve perceptron, sınıfları ayıran bir hiperdüzlem öğrenir.

Destek vektör makineleri (SVM) bu fikri bir adım öteye taşır: Sınıfları ayıran sonsuz sayıda hiperdüzlem arasından, iki sınıfa da en uzak olanı seçer. İki sınıf arasındaki bu boşluğa marjin denir; geniş marjin, modelin yeni verilere daha iyi genelleme yapmasını sağlar.

Veri doğrusal olarak ayrılamıyorsa, yani tek bir düz yüzeyle iki sınıf birbirinden ayrılamıyorsa, "kernel trick" devreye girer. Veri daha yüksek boyutlu bir uzaya taşınır ve orada bir hiperdüzlemle ayrılabilir hale gelir.

Neden önemli?

Hiperdüzlem, sınıflandırmanın geometrik sezgisini verir. Bir sinir ağının son katmanı bile, önceki katmanların dönüştürdüğü temsil uzayında aslında bir hiperdüzlem çizer. Derin öğrenmenin büyük kısmı, verileri bu son hiperdüzlemle ayrılabilecek şekilde dönüştürmekle ilgilidir.

Kullanım alanları

• Doğrusal sınıflandırma: Lojistik regresyon ve perceptron'un karar sınırı.
• SVM: Maksimum marjinli ayırıcı hiperdüzlem.
• Embedding analizi: Bir embedding uzayında kavramları ayıran yönleri bulmak.
• Yaklaşık en yakın komşu araması: Rastgele hiperdüzlemlerle uzayı bölerek hızlı arama yapan yöntemler.
• Yorumlanabilirlik: Model içindeki temsil uzayında belirli kavramları ayıran doğrusal sınırları tespit etmek.