Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Usa elementos del dataset como vectores de soporte para maximizar el margen
Sigue siendo eficaz en los casos en que el número de dimensiones es mayor que el número de
muestras.
Versátil: se pueden especificar diferentes funciones del núcleo para la función de decisión. Se
proporcionan núcleos comunes, pero también es posible especificar núcleos personalizados.
Vectores de soporte
Los vectores de soporte son los puntos de datos, que están más cerca del hiperplano. Estos puntos
definirán mejor la línea de separación calculando los márgenes. Estos puntos son más relevantes
para la construcción del clasificador.
Hiperplano
Un hiperplano es un plano de decisión que separa entre un conjunto de objetos que tienen
diferentes pertenencias de clase.
Margen
Un margen es una brecha entre las dos líneas en los puntos de clase más cercanos. Esto se calcula
como la distancia perpendicular desde la línea hasta los vectores de soporte o los puntos más
cercanos. Si el margen es mayor entre las clases, entonces se considera un buen margen, un
margen más pequeño es un margen malo.
Generar hiperplanos que segregan las clases de la mejor manera. Figura del lado izquierdo que
muestra tres hiperplanos negros, azules y naranjas. Aquí, el azul y el naranja tienen un error de
clasificación más alto, pero el negro está separando las dos clases correctamente.
Seleccione el hiperplano derecho con la máxima segregación de los puntos de datos más cercanos,
como se muestra en la figura del lado derecho.
Separador lineal
Algunos problemas no se pueden resolver usando hiperplano lineal, como se muestra en la figura
a continuación (lado izquierdo).
En tal situación, SVM utiliza un truco de kernel para transformar el espacio de entrada en un
espacio dimensional superior como se muestra a la derecha. Los puntos de datos se trazan en el
eje x y el eje z (Z es la suma al cuadrado de x e y: z=x^2=y^2). Ahora puede segregar fácilmente
estos puntos utilizando la separación lineal.
Dimensión superior
SVM Kernels