Traducido del inglés al español - www.onlinedoctranslator.

com

Una revisión sistemática de la literatura sobre el vector de soporte

Máquinas aplicadas a la clasificación
Miguel Angel Cano Lengua Erik Alex Papa Quiroz
Facultad de Ingeniería de Sistemas e Informática Universidad Nacional Mayor de San Marcos
Universidad Nacional Mayor de San Marcos Universidad Privada del Norte
Lima, Perú Lima, Perú
mcanol@unmsm.edu.pe erikpapa@gmail.com

Abstracto-Este artículo tiene como objetivo identificar el estado del arte actual de
las últimas investigaciones relacionadas con las máquinas de vectores de soporte a
través de un sistema de revisión de la literatura según la metodología propuesta
por Kitchenham y Charter, con el fin de dar respuesta a las siguientes preguntas de
investigación: P1: ¿En qué áreas de investigación? se utilizan? P2: ¿Cuáles son las
principales aplicaciones relacionadas con la clasificación? P3: ¿Qué métodos o
algoritmos de optimización se utilizan en las SVM?
Palabras clave: máquinas de soporte de vectores, algoritmos de
optimización, clasificación, hiperplano, separación lineal y no lineal.
II.1 Revisión de la planificación
• Revisar la planificación: En esta fase se plantean las preguntas de
investigación y se define el protocolo de revisión.
• Realización de la revisión: En esta fase se ejecuta el plan y se
seleccionan los estudios principales, de acuerdo con los criterios de
inclusión y exclusión.
• Reporte de revisión: En esta fase se presentan las estadísticas, el análisis
de los documentos seleccionados y las discusiones.

YoNTRODUCCIÓN Buscamos artículos que respondan a las siguientes preguntas:P1:

El método de clasificación-regresión de las Máquinas de Soporte ¿En qué áreas de investigación se utilizan las SVM? P2: ¿Cuáles son
Vectorial (SVM) se desarrolló en los años 90, dentro del campo de las últimas aplicaciones relacionadas?
las Ciencias Computacionales [1]. Aunque originalmente se P3: ¿Qué métodos o algoritmos de optimización se utilizan en las SVM?
desarrolló como un método de clasificación binaria, sus
aplicaciones se han extendido a múltiples problemas de La búsqueda se realizó en las siguientes bases de datos: Web de
clasificación y regresión. Las SVM han resultado ser uno de los Science, Science Direct, IEEE Xplore Digital Library y ACM
mejores clasificadores para una amplia gama de situaciones, por lo Digital Library, Scopus y Springer Link. La revisión cubre el
que se considera uno de los referentes en el campo del aprendizaje
período de 1992 a 2020.
Se utilizó la siguiente búsqueda de flujo: TITLE-ABS-KEY ("áreas
estadístico y el aprendizaje automático..
donde se usan SVM") O TITLE-ABS-KEY ("Aplicaciones
En este artículo, utilizando la metodología de Kitchenham y
relacionadas con la clasificación") O TITLE- ABS-KEY
Charter [2], presentamos una revisión de la literatura sobre SVM.
("Algoritmos de optimización usados en SVMs" ), que se han
Los principales aportes de este trabajo son los siguientes:
aplicado en el título, el resumen y las palabras clave. Luego, se
Conoceremos las aplicaciones de las SVM en diversas áreas de aplicaron los criterios de selección y exclusión mostrados en las
investigación; las aplicaciones recientes de SVM en clasificación y Tablas 1 y 2.
los algoritmos de optimización o métodos de optimización
utilizados para esta clase de máquinas. II.2 Realización de la revisión:
Esta investigación está organizada por las siguientes secciones: En la
Tabla 1: Criterios de inclusión
Sección 2, presentamos la metodología propuesta. En la Sección 3,
analizamos la información. En la Sección 4 analizamos los resultados y Criterio Justificación
en la Sección 5 presentamos las conclusiones del trabajo. Finalmente,
damos las fuentes de referencias. Enfoque de la investigación papeles con el vector de soporte de texto.
máquinas como palabra clave
Cuantitativo Los artículos deben publicarse en
II METODOLOGÍA DE INVESTIGACIÓN información revistas indexadas
Factor de importancia SVM vinculado a clasificación y
La revisión sistemática de la literatura que consideraremos es el
aplicado a la Inteligencia Artificial
procedimiento propuesto por Kitchenham y Charter [2]. Esta
metodología identifica, evalúa e interpreta toda la investigación Idioma inglés
disponible relevante para preguntas, áreas temáticas o fenómenos de
interés en particular. Se utilizará siempre que su estructura sea acorde
Tabla 2: Criterios de exclusión
con los objetivos de nuestra investigación. Esta metodología ha sido
utilizada recientemente por varias investigaciones, ver [25, 26]. Sin Criterio Justificación
embargo, existen otras metodologías, por ejemplo [3] y [4], que no
encajan en el campo de la ingeniería.La metodología propuesta
Tipo de publicacion Libros, disertaciones, capítulos de
comprende las siguientes fases:
libros entre 1990-2000 (No actualizado)

978-1-7281-8367-1 / 20 / $ 31.00 © 2020 IEEE

 Unidad de análisis
Factor de importancia
Longitud de este papel
artículos que no consideran SVM como su
foco de interés
Investigaciones que no presentan
claramente una metodología de desarrollo.
Número de páginas permitidas (4 páginas)

En la figura 1 se muestran las fuentes de las que se obtuvo la

investigación, utilizando los criterios de selección, inclusión y exclusión,
el filtrado de los trabajos según los criterios establecidos.

Fig.1 Proceso de revisión sistemática de la literatura

III. ANÁLISIS DEL ESTUDIO

De 30 investigaciones seleccionadas, responderemos las preguntas de
investigación (Q1, Q2 y Q3) de acuerdo con el siguiente marco:

Fig.3: Marco general propuesto para la revisión del

literatura.

II.3 Informe de revisión

Se encontraron 108306 artículos de investigación relacionados con la clasificación III.1 Áreas de investigación
de máquinas de vectores de soporte, los cuales se aplican a las diferentes áreas de
investigación, ver fig 1. Los siguientes artículos fueron encontrados en las bases
Está relacionado con la primera pregunta de investigación (P1). La Tabla 4 muestra
de datos de las siguientes fuentes:
las cuatro subpreguntas de Q1.

Tabla 3: Artículos seleccionados

Fuente Potencialmente Estudios seleccionados Tabla 4. Preguntas relacionadas con

estudios elegibles "Áreas de investigación"

Ciencia Directa 3959 3 Contribuciones Preguntas de investigación

IEEE Xplore 8327 4 Algoritmos relacionado paraQ1.1. Que contribuciones son

ACM 42 921 2 Inteligencia artificial, [5]. encontrado en ingeniería?

Springer Link 46 914 5 Técnicas de clasificación Q1.2. Que contribuciones son

Scopus 11385 9 plantas según su forma, fundar en Biomédico
Web de la Ciencia 6 185 7 [6] ¿Ingenieria?
Total 108 306 30 Diagnóstico asistido por computadora de Q1.3. Que contribuciones son
Alzheimer basado en SVM, fundar en Neurociencia
Por otro lado, utilizando la búsqueda de flujo en SCOPUS [27] obtuvimos las
[7,8] ¿Ingenieria?
tendencias de las publicaciones presentadas en la Fig. 2. Podemos observar
Modelo híbrido para mejorar Q1.4 ¿Qué contribuciones se
que el primer artículo publicado indexado en SCOPUS sobre Máquinas de
el rendimiento del sistema de encuentran en Computer
Vector de Soporte aplicado a la clasificación fue [28].
gestión de la energía, [9]. ¿Sistemas de información?

Fig.2 Tendencias de publicación de máquinas de vectores de soporte aplicadas a Otros trabajos en otras áreas de investigación son los siguientes: [33].
clasificación en SCOPUS [34] y [35].

III.2 Aplicaciones relacionadas con la clasificación.

Las máquinas de vectores de soporte tienen aplicaciones en la Un inexacto proximal Q3.4.Qué mejoramiento
clasificación compuesta [11], la selección de carga de trabajo mental algoritmo con generalizado ¿Qué métodos o algoritmos se
[10] y otras aplicaciones como la resonancia magnética [12] y la distancia para resolver utilizan en el área de Sistemas de
verificación de firmas digitales [13]. También se aplica en algoritmos de Simétrico convexo Información Computacional?
aprendizaje profundo (DL) en clasificación de imágenes problemas de optimización con
hiperespectrales (HSI). Las imágenes (HSI) son populares en diversas estructuras separables, [24].
aplicaciones como geociencias, imágenes biomédicas, biología
molecular, agricultura, astronomía, evaluación de la calidad y seguridad
alimentaria, vigilancia e investigación relacionada con la física, ver [36]. IV. ANÁLISIS DE RESULTADOS
Otras aplicaciones son: Clasificación de la esquizofrenia basada en la
inteligencia artificial [37], la estética de las imágenes fotográficas [38]. A IV.1 Áreas de investigación (primer trimestre)

continuación, desarrollamos las subpreguntas de acuerdo con el marco

de la Fig.1 Los porcentajes presentados en este apartado se obtienen en
referencias a 30 estudios analizados sin redundancia.
Tabla 5. Preguntas de investigación relacionadas con
"Aplicaciones relacionadas con la clasificación" Fig.4 Áreas de investigación
Aplicaciones Preguntas de investigación

Simultáneo SVM Q2.1. ¿Qué aplicaciones están

clasificación y característica
selección
La electronegatividad de
los átomos y la entalpía
estándar del compuesto
formación
Aplicaciones de la resonancia
magnética funcional mediante
análisis basado en datos
Un sistema de verificación de
firmas basado en características
globales y locales.
relacionadas con la clasificación
en ingeniería?
Q2.2. ¿Qué aplicaciones están
relacionadas con la clasificación
en Ingeniería Biomédica?
Q2.3. ¿Qué aplicaciones están
relacionadas con la clasificación
en neurociencia?
Q2.4. ¿Qué aplicaciones están
relacionadas con la clasificación
en la información informática?
Sistemas?

III.3 Métodos o algoritmos de optimización utilizados en SVM.

La figura muestra el porcentaje de distribución según las áreas de
Las principales técnicas de optimización son las siguientes: Algoritmos investigación, principalmente vemos que el 17% está relacionado con
de puntos interiores, [14]; Descenso coordinado [15], método de Ciencias de la Computación y el 10% Ingeniería Eléctrica Electrónica e
Newton para el problema primario [16,17]; el método de subgradiente Informática de Sistemas de Información.
[18]; Algoritmos del plano secante [19], [20].
IV.2 Aplicaciones relacionadas con la clasificación (Q2)
Tabla 6. Preguntas de investigación relacionadas con "Optimización En este apartado identificamos que las clasificaciones relacionadas
algoritmos utilizados en SVM " con SVM tienen aplicaciones en: sistemas expertos, clasificación de
Algoritmos de optimización Preguntas de investigación compuestos, resonancia magnética y firmas digitales.
La regresión de vectores de Q3.1.Qué mejoramiento
soporte épsilon no paralelos ¿Se utilizan métodos o algoritmos IV.3 Algoritmos de optimización utilizados en SVM (Q3)
(ε- NPSVR) que generaliza la en el área de la ingeniería? Los algoritmos de optimización utilizados en SVM dependen del área de
regresión de vectores de aplicación. Por ejemplo, en [21] se propuso un nuevo método SVM de
soporte ε-twin the ε-TSVR, [21] gemelos. Tenga en cuenta que la programación de cono de segundo
orden para máquinas de vectores de soporte (SOCP-SVM) presenta un
Rango de enfoque máximo para Q3.2. ¿Qué métodos o
buen rendimiento predictivo, consulte [22]. El hiperplano no paralelo
máquinas vectoriales de soporte algoritmos de optimización
robusto (RNH-SVM) crea modelos no lineales con un rendimiento
multiclase basado en se utilizan en el área de
superior y propiedades geométricas atractivas, consulte [23]. Otra
programación de cono de segundo Ingeniería Biomédica?
contribución importante en el campo de la optimización es el método
orden, [22]
del multiplicador proximal convexo para la optimización del cono
Hiperplano No paralelo Q3.3. ¿Qué métodos o
simétrico, este algoritmo de descomposición puede resolver la
SVM robusto (RNH-SVM). algoritmos de optimización se
optimización simétrica del cono con estructuras separables [24]. En
Lineal y su formulación utilizan en el área de la
[29-32] se han introducido otros métodos de optimización interesantes.
Dual SVM (RNH-SVM), ingeniería de las Neurociencias?
[23].
 CONCLUSIONES
Esta investigación nos permite saber que SVM tiene un número
considerable de aplicaciones en las diferentes áreas. Cabe
mencionar que también existen aplicaciones en regresión, como
los modelos de pronóstico, que pueden ser objeto de otros
investigar.
REFERENCIAS
[1] C. Cortes y V. Vapnik, "Support-vector networks", Mach. Aprender.
1995.
[2] BAKitchenham,.; y Charters, S. “Pautas para realizar revisiones
sistemáticas de literatura en ingeniería de software” versión 2.3.
Consultado el 9 de enero de 2014.
[3] RN Kostoff, Descubrimiento relacionado con la literatura (LRD): introducción y
antecedentes, Technol. Pronóstico. Soc. Cambio 75 (2) 186–202, 2008
[4] Porter, AL y Newman, Carolina del Norte, "Investigación y desarrollo externos en
minería" Search Technology, Inc., 6025 The Corners Pkwy, Norcross, GA 30092, EE.
UU. Technovation 31, 171-176, 2011.
[5] H. Azarmdel, Jahanbakhshi, A., Mohtasebi, SS, Muñoz, AR “Evaluación de la técnica de
procesamiento de imágenes como un sistema experto en la clasificación de frutos
de morera en función del nivel de madurez utilizando redes neuronales artificiales
(ANN) y máquina de vectores de apoyo (SVM) ) ”Biología y tecnología poscosecha,
166, art. no. 111201, .2020.
[6] Singh, K., Gupta, I., Gupta, S. “Recuperación y clasificación de la forma de la hoja por
máquina de vectores de soporte utilizando el árbol de decisión binario, la red
neuronal probabilística y la técnica genérica del momento de Fourier: un estudio
comparativo” Proc. del IADIS Int. Conf. - Gráficos por computadora, visualización,
visión por computadora y procesamiento de imágenes, CGVCVIP 2010, Visual
Commun., VC 2010, Web3DW 2010, Parte del MCCSIS 2010, págs. 412-417., 2010
[7] Gotsopoulos, A.,. H, Saarimäki y col. “Reproducibilidad de los métodos de extracción de
importancia en la clasificación de resonancia magnética funcional basada en redes
neuronales” NeuroImage, 181, págs. 44-54. 2018.
[8] BF Marghalani., M. Arif, “Clasificación automática de tumores cerebrales y enfermedad de
Alzheimer en resonancia magnética” Procedia Computer Science, 163, págs. 78-84. 2019.
[9] N. Guo y col. “Utilización de la regresión vectorial de soporte mejorada para predecir
los datos de consumo de energía transmitidos por la red de sensores
inalámbricos distribuidos” Eurasip Journal on Wireless Communications and
Networking, art. no. 120, 2020.
[10] S. Maldonado, J. López, A. Jiménez-Molina., H. Lira ,. “Selección simultánea de
características y control de heterogeneidad para la clasificación de SVM: una
aplicación a la evaluación de la carga de trabajo mental” Expert Systems with
Applications, 143, art. no. 112988, 2020.
[11] Z. Wan, .Relación cuantitativa estructura-propiedad de entalpías estándar de
óxidos de nitrógeno basada en predicciones de algoritmos MSR y LS-SVR.
Revista de estructura molecular, 1221, art. no. 128867, 2020
[12] M. Allegra, S. Seyed-Allaei y col. Descubrimiento de ensayo único de resonancia magnética
funcional de patrones de actividad cerebral espacio-temporal (2017) Mapeo del cerebro
humano, 38 (3), págs. 1421-1437, 2020.
[13] T. Longjam, DR.Kisku, “Un sistema de verificación de firmas fuera de línea manipuri
supervisado con características globales y locales” 7mo Simposio Internacional
sobre Computación Integrada y Diseño de Sistemas, ISED 2017, enero de 2018,
págs. 1-6, 2018.
[14] Baygorrea, N., Papa Quiroz, EA, Maculan, N. Métodos inexactos del punto proximal
para la minimización cuasiconvexa en los colectores de Hadamard (2016) Revista
de la Sociedad de Investigación de Operaciones de China, 4 (4), págs. 397-424
[15] C. Hsieh, K. Chang, C. Lin, S. Keerthi, S. Sundararajan, "Un método de
descenso de coordenadas dual para SVM lineal a gran escala", en: Actas de
la 25ª Conferencia Internacional sobre Aprendizaje Automático, págs. 408–
415, 2008.
[16] S. Keerthi, D. DeCoste, “Un método de Newton finito modificado para la
solución rápida de SVM lineales a gran escala”, Journal of Machine Learning
Research 6, 341–361, 2005.
[17] O.Mangasarian, "Un método de Newton finito para la clasificación, métodos de
optimización y software" 17, 913–929. 2002.
[18] J. Kivinen, A. Smola, R. Williamson, Aprendizaje en línea con núcleos, IEEE
Transactions on Signal Processing 52 (2004) 2165–2176.
[19] J. Kelley, “El método del plano de corte para resolver programas convexos,
Revista de la Sociedad de Matemáticas Aplicadas Industriales 8” 703–712,
1960.
[20] C. Teo, Q. Le, A. Smola, S. Vishwanathan, Un solucionador convexo modular escalable
para la minimización de riesgos regularizada, en: Actas de la 13ª Conferencia de
ACM sobre descubrimiento de conocimientos y minería de datos, 2007, págs. 727–
736.
[21] M. Carrasco, J. López,., Maldonado, S. Epsilon-regresión de vector de soporte
no paralelo Applied Intelligence, 49 (12), pp. 4223-4236.2 019
[22] J. López, art. Maldonado, MA Carrasco, “Un modelo novedoso de SVM de clases múltiples que
utiliza restricciones de cono de segundo orden” Applied Intelligence, 44 (2), pp.
457-469,2016
[23] M. Carrasco, J. López, J., S. Maldonado ,. “Una formulación de programación de cono
de segundo orden para una máquina de vectores de soporte de hiperplano no
paralelo” Expert Systems with Applications, 54, págs. 95-104. 2016.
[24] E. Papa, J. López, M. Cano. “Un método multiplicador proximal para la optimización
de cono simétrico separable convexo” Conferencia internacional sobre señales y
sistemas multimedia, ICMSSP 2020, 28 al 30 de mayo de 2020 págs. 92–97. Mayo
de 2020.
[25] Vargas, PSC, Mauricio, D. Una revisión de la literatura sobre modelos y
factores de productividad en la fábrica de software (2018) Revista
Internacional de Tecnologías de la Información y Enfoque de Sistemas, 11
(1), pp. 48-71
[26] Wong, LR, Mauricio, D., Rodríguez, GD Una revisión sistemática de la literatura sobre
la obtención de requisitos de software (2017) Journal of Engineering Science and
Technology, 12 (2), págs. 296-317.
[27] SCOPUS (2020). Relación de artículos publicados sobre Máquinas de vectores de
soporte aplicadas a la clasificación. Recuperado el 13 de agosto de 2020, dehttp://
www.scopus.com/
[28] Bonneville, M., Meunier, J., Bengio, Y., Soucy, J.-P. Máquinas de vectores de
apoyo para mejorar la clasificación de imágenes PET cerebrales (1998) Actas
de SPIE - The International Society for Optical Engineering, 3338, págs.
264-273.
[29] Wu, S.-J., Pham, V.-H. Estrategias de votación de minutos perdidos para
acelerar múltiples SVM (2020) Actas de 2019 del 9o Taller Internacional
sobre Ciencias de la Computación e Ingeniería, WCSE 2019, págs.65-71.
[30] Ergen, T., Kozat, SS Un novedoso algoritmo distribuido de detección de anomalías
basado en máquinas de vectores de soporte (2020) Digital Signal Processing: A
Review Journal, 99, art. no. 102657.
[31] Ergen, T., Kozat, SS Un novedoso algoritmo distribuido de detección de anomalías
basado en máquinas de vectores de soporte (2020) Digital Signal Processing: A
Review Journal, 99, art. no. 102657.
[32] Baygin, N., Baygin, M., Karakose, M. A SVM-PSO Classifier for Robot Motion in
Environment with Obstacles (2019) Conferencia internacional de 2019 sobre
inteligencia artificial y simposio de procesamiento de datos, IDAP 2019, art.
no. 8875921.
[33] Liao, X., Huang, X., Huang, W. ML-LUM: Un sistema para el mapeo del uso de la tierra
mediante algoritmos de aprendizaje automático (2019) Journal of Computer Languages,
54, art. no. 100908.
[34] Xu, S., Zhao, Q., Yin, K., Zhang, F., Liu, D., Yang, G. imágenes de alta
resolución espacial (2019) Journal of Applied Remote Sensing, 13
(1), art. no. 014521.
[35] Shi, H., Yu, Y., Wang, Y. Método de alerta temprana para tifones marinos utilizando
imágenes de teledetección basadas en máquinas de vectores de apoyo mejoradas
(SVM) (2018) Journal of Coastal Research, 82, págs. 180 -185.
[36] Kalidindi, KR, Gottumukkala, PSV, Davuluri, R. Agrupación de bandas basada en
derivados y optimización de PSO de múltiples agentes para una selección de
banda óptima de imágenes hiperespectrales (2020) Journal of Supercomputing,
76 (8), págs. 5873 -5898.
[37] Tikka, SK, Singh, BK, Nizamie, SH, Garg, S., Mandal, S., Thakur,
K., Singh, LK Clasificación de la esquizofrenia basada en inteligencia
artificial: un estudio electroencefalográfico de alta densidad y una máquina
de vectores de apoyo (2020) Indian Journal of Psychiatry, 62 (3), págs.
273-282.
[38] Almobarak, AS, Almohammadi, HR, Aboalnaser, SA, Syed, L. Clasificación
de imágenes fotográficas estéticas utilizando clasificadores SVM y
KNN (2019) Actas. Congreso Internacional sobre Desarrollos en
Ingeniería de Sistemas Electrónicos, DeSE, octubre-2019, art. no.
9073087, págs. 170-175.