Máquinas de vectores soporte

Los algoritmos Support Vector Machine (SVM) fueron inventados por Vladimir Vapnik y Alexey Chervonenkis en 1963 y son capaces de hacerlo. Pero no fue hasta mediados de los 90 que creció una comunidad a su alrededor.

Las máquinas de vectores de soporte (SVM) se pueden describir como una familia de algoritmos que aprenden de los datos mediante la creación de modelos que maximizan su margen de error. Así es como trabajan, eligiendo un modelo que maximice el margen de error de un conjunto de entrenamiento.

Clasificación

Se pueden utilizar para problemas de clasificación.

SVM es un clasificador discriminativo definido formalmente por un hiperplano de separación. Una vez que se proporcionan los datos de entrenamiento etiquetados, el algoritmo genera un hiperplano óptimo que categoriza los nuevos ejemplos.

¿Por qué?

Las máquinas de vectores de soporte son fáciles de usar. ¿Por qué?

  • Son fáciles de entender y codificar.
  • Tiene un método para calibrar la salida para producir probabilidades.
  • Tiene un método para aplicar para encontrar elementos inusuales en un conjunto de entrenamiento.
  • Tiene un método simple para convertir un problema de varias clases en una serie de problemas de dos clases más rápidos de resolver.

Estas son algunas de sus aplicaciones.

  • Categorización de texto e hipertexto, ya que su aplicación puede reducir significativamente la necesidad de instancias de entrenamiento etiquetadas.
  • Se puede realizar la clasificación de las imágenes. Logra una mayor precisión de búsqueda que los esquemas tradicionales de refinamiento de consultas.
  • Los caracteres escritos a mano se pueden reconocer usándolo.
  • Ciencias de la clasificación, por ejemplo, las proteínas se pueden clasificar con gran precisión.

¿Cómo es la preparación de datos para Support Vector Machine?

Es Entradas numéricas o Clasificación binaria.

Entradas numéricas cuando Support Vector Machine asume que sus entradas son numéricas. Si tiene entradas categóricas, es posible que deba convertirlas en variables ficticias binarias.

Clasificación binaria cuando la máquina de vectores de soporte está destinada a problemas de clasificación binaria.

from sklearn import svm
X = [[1, 1], [0, 0]]
y = [0, 1]
clf = svm.SVC()
clf.fit(X, y)

MVS

Cualquier máquina de vectores de soporte necesita datos de entrada, porque es un algoritmo de aprendizaje supervisado. Necesita datos de entrenamiento antes de poder hacer predicciones.

Las variables de entrada numéricas (supongamos que tiene dos) en los datos forman un espacio n-dimensional (si tiene dos, entonces es un espacio bidimensional).

Puede crear y entrenar SVM de esta manera:

clf = svm.SVC()
clf.fit(X, y)

Entonces puedes hacer predicciones.

print( clf.predict([[2., 2.]]) )
print( clf.predict([[0, -1]]) )
print( clf.predict([[1, 2]]) )

Hay mucho que aprender sobre las máquinas de vectores de soporte, pero este resumen puede darle una idea de qué son estos algoritmos.

No dudes en revisar estas entradas sobre Machine Learning:

Los ingenieros de IA son uno de los profesionales de TI más solicitados del mundo. Actualmente, hay más de 100.000 ...
Grandes multinacionales tecnológicas como Facebook, Google o Microsoft son pioneras en el uso del Deep Learning en sus productos y ...
Un árbol de decisión es uno de los muchos algoritmos de machine learning. Un árbol de decisión es una herramienta ...
El algoritmo de agrupación en clústeres de KMeans se puede utilizar para agrupar automáticamente los datos observados. Todos sus clustering ...
El problema no es definir qué es Inteligencia Artificial, sino qué es “inteligencia”. AI intenta construir sistemas inteligentes y tiene ...
La neuroevolución es una estrategia para modificar cargas, topologías o conjuntos de sistemas neuronales para familiarizarse con una tarea en ...

¿ Te pareció de utilidad este articulo Máquinas de vectores soporte?
⬇️ Si compartes esta entrada otras personas podrán aprender.⬇️

2 comentarios en «Máquinas de vectores soporte»

  1. ¿Y qué pasa con la regularización en SVM? ¡Eso es clave para evitar overfitting! 🤔

  2. ¿Por qué no mencionan la importancia de la selección de kernel en SVM? ¡Es fundamental!

Los comentarios están cerrados.