SUPPORT VECTOR MACHINES (SVM)
Contenido
- Resumen
- Vínculos de interés
- Bibliografía
- Integrantes
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.
De esta manera se construye un hiplano de separación:
Dado que varios vectores w pueden generar el mismo hiperplano de separación, entonces, por cuestiones de estandarización, dicho vector debe escalarse de manera que la distancia entre el hiperplano y el patrón má cercano a este sea 1. Esto es lo que ilustra en la próxima figura:
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:
El método más usado para entrenar SVM solucionando el problema dual es utilizando SMO (Sequential Minimum Optimization).
Volver al inicio
Volver al inicio
- Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond
Bernhard Schlkopf and Alexander J. Smola
The MIT Press
2005
- Pattern Classification. Second Edition
Richard Duda, Peter Hart, David Stork
Wiley Interscience
2001
Volver al inicio
- Juan Carlos Caicedo
- Juan Carlos Mendivelso
Volver al inicio
|
