Las Máquinas de Vectores Soporte son en la actualidad los algoritmos que más se están utilizando para todo tipo de tareas de inducción. Su sólido fundamento teórico y sus muchas y manejables implementaciones hacen que estén siendo muy utilizadas y constituyan el núcleo más numeroso de publicaciones en los foros más importantes del mundo sobre aprendizaje automático como el Journal of Machine Learning Research (JMLR), NIPS, ICML, ECML.Sus orígenes...
Las SVM son clasificadores derivados de la teoría de aprendizaje estadístico postulada por Vapnik y Chervonenkis.
Fueron presentadas en 1992 y adquirieron fama cuando dieron resultados muy superiores a las redes neuronales en el reconocimiento de letra manuscrita, usando como entrada pixeles.
"Pretenden predecir a partir de lo ya conocido".
La máquina de vectores de soporte es un clasificador lineal que emplea la siguiente metodología:
- Mapear los puntos de entrenamiento a un espacio vectorial mayor.
- Construir un hiperplano que separe los puntos en sus clases respectivas.
- Clasificar un punto nuevo de acuerdo a su ubicación con respecto al hiperplano de separación.
Hiperplano de separación
Forma canónica del hiperplano
El propósito del entrenamiento es maximizar la distancia entre los patrones y el hiperplano de separación (para obtener un clasificador más confiable). Pero dado que w es inversamente proporcional a dicha distancia, este mismo problema se puede expresar como la minimización de w. Para esta operación se usan los multiplicadores de Lagrange:
En el siguiente link se puede hallar una implementación en Java de SMO:
http://dm.hwanjoyu.org/svm-java/
No hay comentarios:
Publicar un comentario